自然语言直接纠偏：极智嘉 Gravity Control 将OOD任务成功率从5%提升至95%

具身模型的感知、决策与操作能力正在快速提升。但进入真实物理世界后，却仍可能因为未曾见过的物体位姿、环境扰动或长序列累积误差而出现动作偏差，导致分布外 (OOD) 任务成功率降低。

受端到端模型黑箱特性的长期制约，传统方案通常只能采用“重新采集示教数据，并对庞大的模型进行微调重训”的纠偏方式。不仅时间与算力成本高昂，且难以解释并根除失败的深层机理。

(资料图片仅供参考)

极智嘉具身智能在Gravity 框架下创新探索Gravity Control因果干预模型，展现出业内领先的自然语言运行时纠偏能力：

无需训练原始策略模型、无需新增示教数据，通过机制可解释性挖掘模型内部的动作调控机制，并在推理阶段直接干预相关latent feature，实现具身策略的运行时纠偏。

Gravity Control 从揭示端到端模型内部的因果表征机制入手，建立“概念可解释+行为可控制”的双向闭环。操作人员仅凭一句自然语言提示，便能精确激活与微调模型深层的运动特征，成功将分布外（OOD）复杂操作任务的成功率从17.5%大幅提升至87.5%，单项设置的成功率更是由5%飙升至95%。

核心问题：“有概念”不等于“具因果”

要实现运行时纠偏，首先需要回答一个底层问题：模型内部大量latent representations 中，哪些才真正拥有动作控制权？学界通常认为，如果一个神经元或表征能被解码出某种语义概念，它就必定在指导机器人的行为。

但极智嘉具身智能研究发现，相关性不等于因果性（Not all concepts are causal）。

在大多数具身智能模型的骨干网络中，许多对特定物体或指令高度敏感的语言层表征，本质上只是对文本Prompt或视觉场景的被动“语义描述”。而真正驱动末端执行器姿态、夹爪开合以及位移速度的“因果运动控制层（MotorLayer）”，高度集中在动作生成链路的动作专家（ActionExpert）深层。

为厘清内部表征的作用路径，极智嘉研发团队形式化定义了一条概念属性链（ConceptPropertyChain），并依次验证 Faithful 保真性→Motor Aligned 运动对齐→Verified 泛化验证→Causal 因果可控→Safe 闭环安全。

实验揭示，语言层特征往往在运动对齐或泛化验证阶段中断。其特征名看似指向运动，实则无法干预物理动作；唯有动作专家层能完整走通整条属性链。

Gravity Control：找到模型内部真正可控的Control Handles

为系统分析模型内部的动作表征，极智嘉具身智能构建了 Gravity Control模型：

Gravity Control 模型框架总览

首先，在冻结原始模型骨干的前提下，Gravity Control 在Residual Stream 中引入 Top-k SAE等技术模块，对高维Hidden Activations 进行稀疏特征分解（SparseFeatureDiscovery），从中提取具有可解释语义的latent features。

随后，通过定向因果干预（CausalIntervention），对已完成语义标注的 latent feature 进行 amplification / suppression，并观测位置、旋转、夹爪等动作通道的响应。

为了验证干预是否只作用于目标动作，而非同时扰动其他自由度，研究进一步引入干预特异性评估（Specificity Ratio），筛选方向一致、剂量响应单调、对目标动作影响较集中的Control Handle。

π0.5与OpenVLA-OFT在不同层插入SAE后得到的可用特征数量比例区别

相较于仅通过 feature activation 对模型内部进行“readout”，这一架构进一步建立了从Interpretability → Intervention → Control的闭环。

以自然语言，直接纠偏底层动作

在完成 causal feature identification 之后，Gravity Control进一步解决了一个更具工程意义的问题：如何让人以自然语言方式调用这些底层 Control Handles？

传统的端到端模型只接受宏观任务级指令（如“将面包放入盘中”），一旦执行过程遇到微小几何偏差，上层语言指令无法传递精细的抓取深度、左臂手腕翻转角、夹爪开度等底层控制参数。

基于已建立的概念控制表，Gravity Control构建了语言引导的动作调节链路。

当机器人出现动作偏差，操作人员可发出自然语言提示（如“下夹取时抓得更深一点、更低一点”）。外部VLM规划器无需重新规划轨迹，而是检索概念表中的特征词表，对原始模型内部 activation 进行在线 steering。

与重新规划整条 trajectory 不同，这一路径直接干预模型内部已经学习到的 primitive motor representation。

同时，Closed-loop Gate 用于限制最大 intervention dose，确保干预仅改变特定几何自由度，而不引发灾难性动作发散。

Gravity Control 的关键并不是“机器人听懂一句话”，而是让correction intent 可以低成本地映射为模型内部可验证、可约束的runtime control。

实验验证：可解释性与零微调OOD任务提升

Gravity Control 模型不绑定某一种具身策略架构，接入不同类型的原始模型均可实现以自然语言进行运行时纠偏，大幅提升OOD任务成功率。

当前，Gravity Control 模型已在 π0.5、OpenVLA-OFT 等代表性 VLA 架构、LIBERO simulation benchmark 以及物理机器人平台上进行了全面评估：

实验首先验证了 Naming 与 Control 之间的差异。汇总多个策略后，部分具有可靠语义名称的 feature 最终并不能通过因果干预测试；反之，能否真正成为 Control Handle，取决于intervention 对 physical action 的实际影响，而非 feature 名称本身。动作侧可验证、与运动对齐的特征也整体明显多于语言侧。

概念命名与动作因果控制相脱节 Naming and control come apart

在真实机器人OOD 任务中，在不更新原始策略模型权重、不新增机器人示教数据的前提下，该架构成功将横放面包等分布外失败任务的整体成功率从17.5% 跃升至87.5%，实现了即插即用的零样本动作挽救。

其中，横放面包这一单项 OOD setting 的成功率由5% 升至95%。

利用自然语言在线纠偏真实机器人的完整工作流

这表明Gravity Control的目标并非单纯“把动作推向某个方向”，而是在base policy 已具备基础任务能力的前提下，通过经验证的latent intervention 实现zero-finetuning failure recovery，同时约束对原策略的副作用。

从Correction 到Skill：让纠错成为自进化的起点

随着各种端到端具身智能模型从 benchmark 逐渐进入真实物理环境，模型能力本身已不再是唯一需要关注的问题。更重要的是：当机器人出现失误时，是否能够诊断问题来自哪里，并对局部行为进行可预测、可约束的干预。

Gravity Control 可以进一步接入更上一级的Agent 或AI原生系统套件，由上层系统持续判断任务状态、识别动作是否偏离目标，并自动完成Detect → Diagnose → Correct的全流程作业链条。不必由人担任机器人的“监督员”，而是由系统在局部错误进一步累积前，主动调用Gravity Control。

更进一步，一次成功的correction 也不必是一次性的。系统可以记录当时的task phase、scene / state、被调用的Control Handle、intervention dose 与执行结果，将成功的纠偏过程沉淀为可复用的Skill。下一次遇到相似状态时，系统即可优先检索并调用既有经验，进一步降低对人工干预的依赖。

这意味着Gravity Control 的长期价值不仅是让机器人“更容易被纠正”，而是让一次纠错逐步变成可以积累、复用的经验。从 Correction到 Skill再到 Self-evolution，Gravity Control 为具身系统持续减少人工介入、走向自主纠错与能力自进化提供新的技术路径。