感觉运动对齐：无需训练的机器人策略成功预测指标

基于摘要分析。研究针对机器人基础模型依赖昂贵闭环执行评估的问题，提出无需训练的离线指标 Sensorimotor Alignment（S²），通过比较模型感知表征与物理动作轨迹的相似性结构，衡量表征是否包含与控制相关的动作几何结构。 其理论出发点是 Platonic Representation Hypothesis（PRH）：不同模态的表征可能随能力提升而趋向共同的现实统计结构。本文将动作轨迹作为另一种模态，研究感知表征是否随机器人能力提升而与物理动作结构趋于一致。摘要未提供相似性计算、结构比较公式及轨迹处理方式，不能据此确定指标的具体实现。 作者报告，S² 在所考察的具身模型家族中与下游机器人任务成功表现持续呈较强相关，还可在进行昂贵的 VLA 微调前辅助筛选 VLM 骨干，并用于分析设计选择如何影响控制相关结构在模型中的分布。上述结论的具体模型、任务、数据划分、相关系数、对照基线及统计信息尚未验证；相关性也不能直接视为对新任务成功率的可靠预测。 平台推测（待验证）：其可迁移机制是用表征与行为的关系结构一致性进行离线诊断，而非直接复用机器人成功预测结论。若存在配对的 EEG 与动作轨迹，可假设该指标有助于诊断运动解码表征；可复用相似性结构比较思路，但需改造 EEG 表征提取、时间对齐及动作距离定义。低信噪比、通道差异、被试差异和小样本可能使指标不稳定，或使其主要反映动作类别差异。一个可检验的小实验是在固定数据划分和解码协议下，比较多个冻结 EEG 编码器的对齐指标与留出数据上的运动解码表现是否相关，并设置打乱 EEG—轨迹配对的对照。该实验仅是假设检验建议，已有 EEG 相关工作尚未检索确认。