RLT 与 CAP 对精细插接的启发：先分开目标锚定、关键阶段强化与真实交互预算

[huangkiki]

结论：RLT 与 CAP 不是“哪个更精细”的替代关系。RLT 解决的是已有 VLA 已经到达目标附近后，怎样用短时真机在线强化把最后接触阶段做得更快、更稳；CAP 解决的是怎样用三维接触点明确“应该在哪里发生交互”，并把 pick / open / close 做成可跨场景复用的原子策略。对 DexLab，最值得先借的不是立即复现某个模型，而是把精细任务拆成目标锚定、关键接触阶段、交互预算和完整任务四个可独立验收的层次。

用 Ethernet 插接说明两者差别

设想机器人已经抓住网线水晶头，并把它移动到接口附近：

• 如果失败是“找错接口、接触目标不明确、场景杂物改变后对不准目标”，更接近 CAP 处理的接触目标条件化问题。
• 如果机器人已经对准接口，但在接触后反复试探、退回、角度微偏或推入力度犹豫，更接近 RLT 处理的关键阶段在线改进问题。
• 如果水晶头已经进入接口但被碰撞模型卡住，或仿真成功、真机持续顶住，则首先是几何间隙、柔顺性、力控、观测和评分语义问题，不能靠更换策略缩写替代诊断。

这三个失败层可以相互叠加，但不应合并成一个笼统的“1 mm 精度”。公差、位姿误差、接触后的搜索范围、控制分辨率和任务成功窗口是不同量。RLT 论文把四项任务概括为毫米或亚毫米精细操作，并明确说明螺钉任务需要亚毫米对准；它没有为 Ethernet 任务报告一个独立的“1 mm 公差”测量。

RLT 的 400–1000 episodes 应怎样理解

RL Token（RLT）先用每项任务 1–10 小时遥操作示范适配基础 VLA 并训练 RL token，然后冻结 VLA，用一个小型 off-policy actor–critic 在 RL token、机器人本体状态和 VLA 参考动作上学习。actor 不从整个动作空间盲搜，而是在参考 action chunk 周围改进；BC 正则、reference-action pass-through 与 action chunking 都是论文消融中重要的稳定因素。论文方法与 Algorithm 1

论文报告的 400–1000 是按任务难度变化的在线训练 episode 数，不是 400–1000 条预先收集的示范。每个完整任务约 30–120 秒，而强化学习重点处理的 critical phase 约 5–20 秒；作者报告各实验的实际机器人运动数据约 15 分钟至 5 小时，另有 reset、人工标注、干预与系统开销。Ethernet 的公开曲线在约 15 分钟 critical-phase 数据后达到约 400 次成功/10 分钟的吞吐；项目页同时说明整次训练约两小时。实验设置 · 官方项目页

因此，不能只用 episode 数判断“在线 RL 数据太多或太少”。至少要同时记录：

1. 预训练/后训练示范时数；
2. 在线 episode 数和每次 episode 的有效阶段长度；
3. 实际机器人运动时间与总墙钟时间；
4. reset、人工成功标注、干预和阶段切换次数；
5. 失败、卡滞、碰撞与硬件磨损；
6. 最终成功率、吞吐和接触质量分别改善了什么。

RLT 在 Ethernet 上的基础 VLA 本来就接近高成功率，主要收益是减少犹豫和重试、提高 critical phase 吞吐；它不是“用数百次失败才从零学会插接”。论文也明确保留了人工终局奖励、干预纠正，以及在基础策略和 RL 策略之间切换的依赖。

CAP 能借什么，不能替 RLT 证明什么

Contact-Anchored Policies（CAP）把语言目标替换为三维 contact anchor。训练时从实际接触帧回溯标注接触点；部署时由人工或 VLM 在图像中给出目标像素，经深度反投影为三维点，再用机器人正向运动学持续跟踪。论文的 contact-anchor 消融在 Close 任务上从 58% 提升到 96%，说明明确交互位置确实能减少策略歧义。

但 CAP 不是低数据在线 RL。公开数据包含 20,365 条示范、约 23.1 小时，覆盖 Pick、Open、Close 三种原子技能；论文和公开 EgoGym checkpoint 也只覆盖这三类任务。CAP 没有报告 Ethernet、peg-in-hole 或 1 mm 插接实验，也没有给出接触锚点等同于机械装配公差的证据。把它称作“更高精度的插接方案”超出了当前公开验证范围。

CAP 对 DexLab 真正有价值的还有另一点：EgoGym 没有被当作“仿真成功就能上真机”的证明，而是用于多 checkpoint 筛选和失败类型分析。论文用四个 Pick checkpoint 做 5,000 次仿真 episode 与 250 次真机运行的单盲对照，再根据 low-lift 等失败修改数据处理。这支持“仿真帮助发现策略退化”的开发环，但该相关性只覆盖论文测过的 Pick 条件，不能外推到精密插接。

对 DexLab 的取舍

先借：精细任务的四层验收

层次	需要冻结和记录什么	主要反例
目标锚定	目标接触点/区域、坐标系、深度与标定误差、目标随运动的更新	目标点正确但不可达；像素正确但深度/外参错误
关键接触阶段	进入条件、局部动作空间、参考动作、接触/力观测、退出条件	未接触却被判完成；卡滞时反复加力仍得高分
交互预算	示范、在线 episode、机器人运动时间、墙钟、reset、人力、失败和磨损	只报“15 分钟数据”而隐藏两小时操作和重置
完整任务	抓取、搬运、对准、插入、锁止/保持的阶段结果与首次失败层	critical phase 成功被误写成端到端任务成功

再做：一个不依赖新模型的最小插接协议

DexLab 可以先把一个 connector / peg 插接任务写成评测协议，而不是立刻接入 RLT 或 CAP：

1. 声明实际几何间隙、初始位置/角度分布和允许柔顺；不用“1 mm”同时代替几何、控制和成功误差。
2. 固定同一基础动作，分别记录到达目标附近、首次接触、对准、插入、卡滞、退出和恢复。
3. 同时报告成功率、完成时间、重试次数、峰值/累计接触力和损伤性失败；吞吐不能代替安全与接触质量。
4. 分开 critical-phase reset 与 home-position full-task 两种评测。前者定位局部学习效果，后者检验上游误差是否把策略带出训练分布。
5. 对评分器注入错目标、未接触、隐藏支撑、过宽容差、顺序错误和只改 score state 的负例；先证明评分语义可信。

只有当基础策略能稳定到达目标附近、主要失败确实位于最后接触阶段时，RLT 式局部在线强化才是合理候选。只有当失败主要来自“在哪里交互”的歧义时，CAP 式接触锚定才值得优先。两者也可以组合成“contact anchor 定义目标、RL token actor 改进局部动作”，但这是尚未被两篇论文共同验证的研究提案。

当前判断

不建议把 CAP 当作 RLT 的低样本或更高精度替代。 对当前 DexLab，优先沉淀精细操作的阶段语义与完整成本账本：先回答失败发生在目标锚定、接触后动作、物理模型还是评分，再决定需要接触锚点、在线强化、力/触觉闭环或更可信的仿真。

什么会改变这个判断：

• CAP 或后续工作在给定机械间隙、初始误差和力控条件下公开精密插接结果；
• RLT 按任务公开 episode、干预、reset 和失败/磨损分解，而不只给有效机器人数据时间；
• 同一插接任务上出现 contact-anchor、RLT 和二者组合的受控比较；
• DexLab 的负例审计证明现有评分已能区分到达、接触、插入、锁止与无损保持。

English summary

RLT and CAP solve different bottlenecks. RLT locally improves a VLA's precision-critical phase through lightweight online actor–critic learning over an RL token and VLA reference action chunks. CAP conditions atomic utility policies on a 3D contact anchor to remove ambiguity about where interaction should occur. The reported 400–1,000 RLT episodes are online episodes, not demonstrations; their cost must be interpreted together with phase duration, robot-motion time, resets, interventions, wall-clock time, failures and wear. CAP uses 20,365 demonstrations over Pick/Open/Close and does not provide Ethernet or 1 mm insertion evidence.

DexLab should first separate target anchoring, the critical contact phase, the interaction budget and full-task evaluation. A minimal insertion protocol should freeze geometry/clearance, phase boundaries, sensing and compliance; report success, time, retries and forces; compare critical-phase and full-task evaluation; and audit scorer counterexamples. RLT-style refinement is a candidate only when the base policy already reaches the target and fails in the final contact phase. CAP-style anchoring is a candidate when the main failure is spatial interaction ambiguity. Combining them remains an unverified proposal.

核查范围与证据边界

• 核查日期：2026-11-12。单一 AI 助手整理并自审，没有独立多方评审。
• RLT：arXiv 2604.23073、官方论文 PDF 与项目页；论文数字均为作者报告，本轮没有运行策略、真机或社区复现。
• CAP：arXiv 2602.09017、官方项目仓库与 EgoGym 公开入口；本轮为论文与源码入口静态核查，没有运行 checkpoint。
• 本讨论没有建立 Ethernet 的 1 mm 公差、CAP 插接能力、DexLab 插接实现或在线训练结果，也不启动实验、创建训练任务或改变当前开发顺序。