Gaussian Is Enough：动作先验更接近目标，为何未必更好

图2展示的先验距离与微调成功率为何可能脱钩？

1. 1

   明确七种起点与计算预算

   比较高斯、预训练策略动作、动作加噪、嵌入加噪、条件高斯Cocos、CVAE型BRIDGER和检索先验。预训练先验要花去部分去噪预算，所以构造起点和后续运输合计比较；不能只计最终运输步骤。

2. 2

   控制训练，但检查目标函数差异

   三类策略骨干覆盖LBM、π0.5和GR00T，尽量固定数据、训练步数和优化器。LBM主实验高斯用DDPM、其他先验用流匹配，是一个混杂；附录增加全流匹配BFP对照，在五个厨房任务仍未见先验收益。

3. 3

   用实际闭环而非动作L2判好坏

   图2表明起点动作更靠近目标，不保证执行后完成任务。比较42个仿真任务与五个真实任务，真实试验交错随机运行并盲评，减少环境与评价顺序偏差；动作坐标尺度本身也会影响距离解释。

4. 4

   把表示更新和小数据例外分开

   降低编码器学习率会显著掉分，提示微调表示适应的重要性；但这项机制证据主要来自LBM，不能外推GR00T的冻结EAGLE。仅5%数据时嵌入扰动先验有收益，也不能以平均结果否定所有低数据情形。

以下为作者报告；已阅读 v1 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。

全文及附录已读，作者项目页可访问；其链接的LBM评测仓库不能自动视为这篇七先验研究的完整训练实现，本次未核实专属完整发布。

LICENSE专属代码及权重许可未确认；论文图2许可见图注。