GPL：以计划分布支持VLA推理与引导

基于摘要分析。本文研究视觉-语言-动作（VLA）策略在行动前推理时，单一中间表示难以保留多个有效计划的问题，提出 Generative Plan Latent（GPL），用低维条件分布表示计划层面的推理状态，保留对象、抓取方式或路径等备选决策。 核心机制是让计划状态可被直接操作：无需重新训练 VLA，即可采样计划以覆盖不同选择、按请求选择计划以引导执行，并根据部署结果对计划分布重加权以进行结果适应。摘要未说明条件分布的具体形式、GPL 的训练目标、接入 VLA 的方式及额外训练成本；“无需重新训练 VLA”不能理解为整个方法无需训练。 作者在 SimplerEnv 中结合 π_0 测试上述三种能力，并将分析扩展至 RoboCasa、LIBERO 和迷宫领域。作者报告，在计划引导实验中，执行符合请求的比例由 0.48 提升至 0.94，而将相同引导施加于原生动作分布未获得可靠增益；摘要未提供该数值对应的具体任务构成、试验次数及统计不确定性。作者还指出，显式计划在包含观测尚未确定的决策信息时最有用。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：GPL 的潜在借鉴点是区分观测证据与尚待选择的高层计划，而不是直接作为 EEG 解码器。假设 BCI 辅助控制任务存在多个合法目标或动作方案，可探索以计划分布保留歧义，再用用户请求或执行反馈选择；这依赖可定义的计划空间与可用反馈，需要改造条件输入及反馈接口。低信噪比、跨被试漂移和小样本可能使计划概率失准，错误反馈也可能放大偏差。一个可证伪的小实验是在固定 EEG 解码器与共享控制策略下，对比单一计划和计划分布的请求遵循率及任务成功率，并控制候选计划和反馈预算。已有 EEG 相关工作尚未检索确认。