Vision-Language-Action 模型理解指令吗？关于语言落地的机制可解释性研究

基于摘要分析。该研究关注机器人 Vision-Language-Action（VLA）模型的动作生成究竟依赖语言指令，还是主要依靠视觉线索与表面相关性。作者对 π₀.₅ 和 GR00T N1.7 开展受控机制可解释性研究，将输入指令扰动与内部干预结合，分析语言信息影响动作生成的位置，以及两种干预分析方法的一致性。 方法上，作者使用 LIBERO benchmark 的输入样本，按同义词替换、semantic scaling、方向性扰动、随机对象替换及空字符串五种策略修改任务指令，并对动作生成模块的残差流实施 activation patching 和 attribution patching。研究不只是观察输出变化，还考察内部表征与干预所揭示的因果效应之间的关系；具体干预实现、样本选择、动作评价指标及统计协议尚未验证。 作者报告，在上述指令扰动条件下，两种模型对抽象改写及不存在对象的指称相对不敏感，而对空任务描述、尤其是方向性语言反应较强。动作生成中的敏感位置存在模型差异：GR00T N1.7 主要集中于较早且周期性出现的交叉注意力层，π₀.₅ 则分布于最早层及部分较晚层。作者还报告，GR00T N1.7 的方向性扰动可产生较大的因果效应，同时内部表征几何相对稳定；π₀.₅ 未清晰呈现这一分离现象。attribution patching 与 activation patching 的结果在 GR00T N1.7 上较一致，但在 π₀.₅ 上并非如此。摘要未提供定量效应量，不能据此判断模型是否普遍“理解”语言。 平台推测（待验证）：可迁移的是受控扰动加内部干预的诊断思路，而非机器人模型的结果。在确实含有语言指令、且具备可干预中间表征的 EEG 多模态模型中，可固定 EEG 输入、改变指令并进行激活替换，检验输出是否依赖语言。需改造信号编码器与任务评价，并控制指令和标签的对应关系；低信噪比、跨被试差异、通道变化及小数据可能使干预效果不稳定。一个小规模可证伪实验是比较同义改写、语义冲突与空指令条件下的输出及激活替换效果，观察语言依赖能否稳定重现。已有 EEG 相关工作尚未检索确认。全文中的实验协议、消融及统计信息尚未验证。