RoboJev：机器人成功裁判的域内收益与跨域代价
十帧加末帧多相机的终态判断，不能等同在线可靠性保障
RoboJev把任务描述、尝试视频的十帧及可用辅助相机末帧输入27B视觉语言模型，用一次前向输出成功概率。它在熟悉SO-101分布上明显改善原始JEV，但在未见实验室与机器人域上略低于基础模型，说明适配收益需要逐域核验。
图解主要方法
十帧加末帧多相机的终态判断，不能等同在线可靠性保障
- 1
图2上路：输入协议影响比较
主相机均匀采十帧，附加其他视角的最后一帧，与任务文本共同编码。该协议偏向整次尝试是否完成，不是连续进度或碰撞检测；与只输入四帧的前沿API比较时，视觉证据预算不同。
- 2
图2中：只适配语言骨干
从JEV-27B-VL出发，冻结视觉编码器和融合层，仅对语言部分训练rank-32 LoRA。52,598条拟合记录不等于同样多独立去重轨迹；数据来自多个机器人集合与高置信教师标签。
- 3
图2下路：重加权和基础教师约束
训练采用按来源平衡的二元交叉熵与部分研究数据上的基础模型KL锚定，降低遗忘；不是所有社区来源都用KL。软标签和源权重仍会把教师偏差带入决策，论文也披露过标签或元数据缺口。
- 4
图2右：两类logit变成概率
读取false/true的logit，加发布配置中的偏置并用验证集温度0.9校准。结果是P(success)，不是文本解释。阈值0.5和温度在验证环节选择；已有测试集曾用于开发观察，因此不属于完全一次盲测。
实验与证据
已阅读正文及附录A–D，核对实验条件与原图；未独立复现。
来源证据268次运行中，RoboJev平衡准确率95.2%、AUROC 0.993，十帧基础JEV为88.1%、0.979；准确率差的配对区间约+3.04至+11.45点。 SO-101：匹配输入的适配效果 ↗
我的解读这是较有力的域内增益；完全留出任务的80次子集中，平衡准确率92.5%，并非全面胜过前沿模型。
来源证据未见域AUROC为0.890，基础模型0.900；配对差-0.0092，95%区间[-0.0218,+0.0026]。平衡准确率78.2%对79.4%。 459次跨域测试：相反方向 ↗
我的解读不能宣称适配普遍提升泛化。SO-101的ECE 0.032到跨域变0.148，也不能搬用同一置信解释。
来源证据200社区片段中65个模糊结果被排除，135个清晰片段正确126个，即93.3%；标签来自一位标注者。 社区测试与人工标签 ↗
我的解读该准确率只适用于清晰子集，不是全部社区视频，也缺乏多标注者一致性估计。
来源证据H100串行中位0.257秒，以每小时2.69美元估算每千次0.192美元；bf16需要约80GB级GPU。20,628条预测覆盖29个模型/协议条目。 运行成本与复现材料 ↗
我的解读成本不含下载、解码、排队；29条目不是29种独立架构，重新计算指标不等于重新完成推理或策略学习。
开放情况与使用许可
Hugging Face已见12个safetensors分片、推理脚本、校准配置和Apache-2.0许可，模型卡给出论文评测权重固定提交；评测数据另发。当前文档更新不等同新权重成绩，未独立加载27B模型。
LICENSE论文与所引原图：CC BY 4.0
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
我的判断：公开决策权重、协议与逐样本预测，使机器人数据的终态筛选更容易审计；匹配输入的基础模型对照比跨API排行榜更有说服力。
反方 · 哪些结论还不够
模糊片段排除、单人标签、开发期查看测试集及教师与对照重叠都限制外推。终态准确不说明中途安全，未测下游策略学习收益。
综合判断
适合先作离线数据分流和人工复核排序；跨本体使用前需要重新校准，不应直接当机器人安全停止器。
我会先做的验证
未执行的验证方案：新实验室独立采集完整成功、失败及截断视频，保留模糊类，双人盲标；固定十帧协议对比基础模型，并测阈值迁移、错误放行率及人工复核量。