VIKI-R：可验证强化学习如何训练异构多机器人协作

0. 链接验证与版本审计

下表链接均于 2026-09-10 实际访问。会议身份以 NeurIPS/CVF/IEEE 等正式入口为先，版本日期以 arXiv submission history 为准；“未公开/未找到”表示在论文、项目页、官方仓库和常用论文索引中未找到可核实入口。核心定量来自 NeurIPS 2025 正式 PDF（32 页）；arXiv 当前为 v3。

公开资源一致性警报。 论文表 1、项目 README 与附录 C.1 均称 23,737 个任务；Hugging Face datasets-server 实际返回 22,637 行（train 17,134、validation 1,218、test 4,285；约 813 MB 原始文件）。两者恰差 1,100，而附录 D 报告冷启动 SFT 为 L1 500、L2 500、L3 100，合计也为 1,100。这个等式强烈暗示“23,737”把冷启动样本计入总任务，而 HF 标准 split 未计入，但数据卡没有解释，故这里只能标为审慎推断，不能当成已证实的 split 定义。

1. 候选池、近 14 天排除与随机选择

先检查 ml-report-index.md：近 14 天已深读 TARL（无奖励测试时适配）、DreamGen（世界模型合成机器人轨迹）以及相邻的 VLA/视觉世界模型主题，因此排除同论文与高度重合的“视频世界模型造机器人数据”主线。本轮从 arXiv、NeurIPS/ICML/CVF 正式 proceedings、OpenReview、Hugging Face Daily Papers、Papers with Code 与 Semantic Scholar 交叉收集 24 篇，移除已覆盖 DreamGen 后得到 23 篇合格候选。

第一次严格执行 shuf -i 1-23 -n 1 抽到 OpenVLA-OFT。它未超过 24 个月，但距本轮已超过 12 个月且仅为 arXiv，而池内存在最近 12 个月正式顶会论文，因此按预先规则重抽，不因热度或结论重抽。第二次在近期候选中抽到 Grounding Multimodal LLMs to Embodied Agents that Ask for Help，但无法在 ICLR 2026 正式 proceedings 中核实接收身份、OpenReview 又拒绝自动访问，故为避免把投稿误写成录用再重抽。第三次在正式 proceedings 已核验的 Robot-R1 与 VIKI-R 中用 shuf -e Robot-R1 VIKI-R -n 1 抽中 VIKI-R。共重抽 2 次，理由均为资料/身份约束，不是主观择优。

2. Motivation：多机器人问题的瓶颈不只是“动作”，而是协作结构

单机器人 VLA 常把目标定义为从图像和指令直接预测动作；多机器人协作多出三个互相耦合的决策：哪些机器人值得唤醒、哪些子任务能够并行、每个机器人是否真的可达且不会互撞。只测最终 success rate 会把这些错误揉在一起：失败可能来自选错 embodiment、符号计划不可执行，也可能只是对伙伴轨迹看错。

VIKI-Bench 的直接动机来自既有基准覆盖断裂。核心论文表 1（p.3）列出：RoCo 只有 6 个任务，RoboFactory 有 11 个组合约束任务，LLaMAR/MAP-THOR 有 225 个任务；PARTNR 虽有 100,000 个自然语言任务，却主要面向人机家务协作。VIKI-Bench 选择中间规模：100 个场景、6 类异构机器人、超过 1,000 种资产组合、23,737 个任务实例，并同时提供全局视图和第一视角。它的真正差异不是“任务最多”，而是把能力分层并给出可程序验证的监督信号。

零样本结果证明这种分层不是装饰。核心表 2（p.8）中，GPT-4o 的 L1 激活准确率仅 18.40%，L2 平均 17.50%；Gemini-2.5-Flash-preview 虽在 L1 达 31.40%，L2 OOD 也只有 10.51%。Qwen2.5-VL-7B 零样本 L2 OOD 为 0%。这意味着通用 VLM 即使能描述场景，也几乎不会自然产生满足严格动作语法、前置条件与步数预算的多智能体计划。

更强的外部证据来自 PARTNR：其 100,000 个任务跨 60 个房屋、5,819 个对象；无 privileged information 的 ReAct 成功率仅 0.30，人类为 0.93（PARTNR 表 2 与正文，pp.10–11）。因此 VIKI-R 的问题不是“让 VLM 多写一段 CoT”，而是：能否把可验证协作约束转成稠密 enough 的后训练信号，让模型从格式合规跨到组合协作。

3. 论文故事线、假设与权衡

论文故事线由“分解—合成—优化”三步构成。

1. 分解能力。 L1 只选择需要的机器人集合；L2 输出并行、带参数的动作计划；L3 从某个机器人第一视角预测自己与伙伴的二维轨迹。三个任务分别对应 team formation、symbolic coordination 和 spatial anticipation。
2. 合成数据。 在 RoboCasa 与 ManiSkill3 资产上构建场景，用 GPT-4o 生成/修正计划，再经 Action Checker、World Simulator、Plan Refiner 迭代过滤。监督不完全依赖人工，但尽量用可执行性规则封闭循环。
3. 两阶段学习。 先用 CoT demonstrations 做 SFT，让输出进入奖励可识别区域；再用 GRPO 对同一输入采样一组答案，按格式和任务规则给 reward，强化相对更好的样本。

核心假设是：层级规则 reward 可以作为真实协作质量的代理。L1 exact match 假设唯一“正确团队”存在；L2 进一步假设 ground-truth plan 的步数接近最优；L3 则把平均轨迹距离转换成 reward。这样做的优点是奖励便宜、确定、无需训练 critic；代价是 reward 只认 benchmark 的形式化世界。一个现实可行但比 GT 多一步的恢复计划，在 L2 会得到 0；一个二维轨迹靠近标注、但实际碰撞或动力学不可行的答案，在 L3 仍可能得高分。

另一个关键权衡是冷启动。DeepSeek-R1 证明“纯 RL 也能出现推理”，但 VIKI-R 的 L2 几乎无法从零开始：3B/7B 的 VIKI-R-Zero 在 L2 平均分别只有 0.00/0.10，而加 CoT 冷启动后到 68.78/69.25（核心表 2，p.8）。这说明该工作更准确的故事是“SFT 把策略带入可验证规划流形，RL 再重排其概率质量”，而不是“RL 自发学出多机器人协作”。

4. 方程级形式化、奖励与算法流程

4.1 SFT 冷启动

令输入状态为视觉观测与问题 s = (x,q)，CoT/答案序列为 y_1 : T，SFT 目标是

$$ \mathcal L_{\mathrm{SFT}}(\theta)=-\mathbb E_{(x,q,y)}\sum_{t=1}^{T}\log \pi_\theta(y_t\mid x,q,y_{<t}). $$

这是核心式 (1)，p.6。每个层级单独训练：L1 激活、L2 计划、L3 轨迹没有共享一个统一 policy head。因而“hierarchical”描述的是 benchmark 与训练任务的层级组织，不是一个端到端 policy 在一次 rollout 中依次完成三层。

4.2 组相对优势与 clipped objective

对同一状态从旧策略采样 G 个输出 {a_i}_i = 1^G，先算组内标准化优势：

$$ A_i=\frac{R_i-\bar R}{\sigma_R},\qquad r_i(\theta)=\frac{\pi_\theta(a_i\mid s)}{\pi_0(a_i\mid s)}. $$

再优化

ℒ_clip = 𝔼_i[min(r_iA_i, clip(r_i,1−ϵ,1+ϵ)A_i)],

J(θ) = ℒ_clip − βD_KL(π_θ∥π₀).

对应式 (2)–(5)，pp.6–7。论文的 notation 有轻微歧义：π₀ 同时被写作 old/reference policy 的角色，而实现超参表使用 KL loss 系数 0.01。复现时必须检查 rollout policy、更新前 old policy 与固定 reference model 是否真为同一个对象。

4.3 层级奖励

总奖励为

R = λ₁R_format + λ₂R_acc.

• L1： 只有解析成功且预测机器人集合与 ground truth 完全相等，R_acc = 1。
• L2： 计划 A 经执行器判为 feasible，且动作步数 N(A) ≤ N_gt，才得 1： R_L2 = 1[feasible(A)]1[N(A)≤N_gt].
• L3： 对每个 agent 的 RMSE、Hausdorff、Dynamic Fréchet 距离先归一化成 d̂，转为 1 − d̂，再跨 agent 和指标求均值（式 (9)，p.8）。

这三个 reward 的统计形态完全不同：L1/L2 近似稀疏 Bernoulli，L3 是连续 shaped reward。也因此纯 RL 在 L3 可以从非零距离梯度爬升，在 L2 却几乎没有可行样本作为学习信号。

4.4 伪代码

输入：层级数据 Dk，Qwen2.5-VL-Instruct，格式检查器与任务验证器
1  用各层 CoT cold-start 子集对 backbone 做 SFT，得到 πsft
2  对每个训练状态 s=(image, question)：
3      从旧策略对同一 s 采样 G=5 个答案 a1...aG
4      解析答案；不合格式者只得 format penalty/zero task reward
5      L1: exact-match robot set
6      L2: Action Checker → World Simulator；要求 feasible 且不长于 GT
7      L3: 计算多 agent 的 RMSE/HD/DFD，再归一化为连续 reward
8      在组内标准化 reward 得 Ai
9      以 clipped ratio + KL regularization 更新策略
10 重复各层预设 epoch；分别导出 L1/L2/L3 checkpoint
输出：每层一个 VIKI-R 模型，而非一个闭环三层控制器

5. 关键机制与工程细节

所有超参来自附录 D 与表 13（pp.23, 28–29）；训练耗时来自表 12（p.28）。3B 三层总计 21.5h×8=172 A800-GPU-hour；7B 为 36h×8=288 A800-GPU-hour，但论文没有给 SFT 与 GRPO 各自耗时、生成 5 个 rollouts 的吞吐、数据生成 API 成本或能耗。

6. 数据集、任务与指标到底测什么

三种距离的语义不同。RMSE 惩罚点对点偏差；Hausdorff 看最坏最近点距离；Dynamic Fréchet 还保持曲线顺序。论文把三者简单平均成 AVG，实际上单位和尺度虽然都像素化/归一化，却未证明等权符合控制风险。更关键的是，L3 是 trajectory perception/prediction，不是 policy rollout；它可以辅助避碰，但不能据此宣称“实现了多机器人轨迹协调”。

7. 完整主结果矩阵

7.1 表 2：三层、八指标、十四种系统

下表完整转录核心论文表 2（p.8）。L1/L2 越高越好；L3 越低越好。粗体标各列最优。论文没有跨 5 个独立 benchmark 的六方法矩阵，因为其评测对象是一个 benchmark 的三个层级；本报告保留原始结构，不把层级伪装成独立 benchmark。

7.2 RL 相对 SFT 的逐项复算

所以“显著超过 baseline、跨所有层级有效”的正确读法是：L1 与 L2 OOD 受益最稳，L2 ID 和 3B L3 并非全胜。 7B VIKI-R-Zero 的 L1 还以 93.59 略高于完整 VIKI-R 的 93.00（+0.59 pp），说明 CoT 冷启动不是每个层级都提高终点精度。

7.3 与人类、反馈式推理和真实世界的边界

核心表 6（p.10，三层各 150 样本）报告：

因此“human-comparable”只在 L1 勉强成立，不能覆盖 L2/L3。反馈式商业 VLM 表 3（p.9）也很有信息：GPT-4o pass@1 为 18.4，普通 pass@6 仍只有 18.7，而 feedback pass@6 到 22.3；Gemini 从 31.4 到 34.7。多采样几乎不增益，显式反馈才带来约 3 pp，暗示错误高度系统化而非纯 sampling variance。

真实世界表 5（p.9）只测 100 条由 GPT-4o 生成的 L1 指令：Qwen-32B 8%、Qwen-72B 14%、Claude 15%、Gemini 28%。VIKI-R 没有出现在该表。 所以论文的“beyond simulation”实验验证的是 benchmark task 对真实图像仍困难，不是 VIKI-R 的 sim-to-real 成功。

8. 逐层消融、超参敏感性与相变

8.1 Step penalty：挑战子集很大，全量 split 很小

正文表 4（p.9）在“challenging L2”上报告：去掉 step penalty 时 OOD-H/ID-H 为 7.1/8.0，加入后为 46.8/96.0，绝对提升 39.7/88.0 pp，平均多余步数从 1.97 降到 0.05。可是在附录表 7（p.26）的全量 L2 split 上，同一消融只是 ID 92.06→95.22（+3.16 pp）、OOD 29.51→33.25（+3.74 pp）。这不是矛盾，但说明收益高度集中在专门挑出的难例；论文没有说明 challenging subset 的采样准则和规模，不能把 88 pp 当作总体效果。

8.2 Model scale：不同层级存在不同相变

附录表 8（p.26）：3B/7B/32B 的 L1 为 74.10/93.00/95.30，L2 为 68.78/69.25/74.74。3B→7B 给 L1 +18.90 pp，却只给 L2 +0.47 pp；7B→32B 又主要提高 L2（+5.49 pp），L1 仅 +2.30 pp。由此可以提出而不能证明两个相变：team selection 在 7B 附近趋于饱和，而组合规划需要更大容量；论文没有更密集 scale 点或等 compute 曲线。

8.3 Prompt guidance 与 optimizer

附录表 9（p.26）移除引导 prompt 后，3B L1 从 74.10 到 73.47（−0.63 pp），7B 从 93.00 到 92.95（−0.05 pp）；作者称收敛更慢，但没有给到达阈值的 step 数。说明 prompt 更像优化加速而非终点性能来源。

附录表 10（p.26）比较 GRPO 与 DAPO：3B 的 ID/OOD 为 GRPO 93.61/32.11、DAPO 93.22/33.33；7B 为 GRPO 95.22/33.25、DAPO 95.44/33.58。DAPO 在四项中三项更好，优势 0.22–1.22 pp。没有方差时不能说 DAPO 显著更优，但足以说明“GRPO 本身”不是主要 novelty；核心是可验证层级 reward 与冷启动数据。

8.4 训练曲线揭示的 reward-support 相变

附录 Figures 5–7（pp.24–25）只能从图读趋势，故以下数字均标“约”。L2 的 3B R-Zero reward 从约 0.009 上升到约 0.019 后回落，7B R-Zero 也只在约 0.06–0.075；加 SFT 后两者在约 60 step 到 0.9 左右。L3 则不同：7B R-Zero 最终约 0.80，完整 VIKI-R 约 0.75，纯 RL 甚至更高。因为 L2 reward 是离散 feasible gate、L3 是连续距离，所以是否需要 cold start 取决于初始策略对非零 reward 的覆盖率；这比“CoT 总是有益”更可迁移。

8.5 统计显著性

论文未报告随机种子数、均值±标准差、bootstrap CI 或显著性检验。表 2 也没有逐 episode 预测，因此无法在本报告中补做 paired test。由此，大幅差异（例如 7B L2 R-Zero 0.10→VIKI-R 69.25）方向可信；0.05、0.22、0.47、1.12 pp 量级的差异不能被解释为稳定优劣。

9. 相关工作链：解决什么—遗留缺口—VIKI-R 如何回应—设计如何传递

9.1 RoCo：从语言协商到可执行多臂轨迹

RoCo 解决多个机器人如何用 LLM 对话形成高层策略，并把 waypoint 交给低层 motion planner；RoCoBench 只有 6 类任务，但包含 collision feedback 和真实多臂演示。论文表 2（p.5）在每任务 20 次运行上报告 success/steps/replans，另有真实世界每设置 10 次（表 3，p.7）。遗留缺口是任务规模小、依赖昂贵 LLM in-context dialectic，且缺少统一的“激活—规划—轨迹感知”诊断。VIKI-R 把对话闭环改为离线可学习 policy，把 RoCo 的“环境反馈修计划”传递成 Action Checker/World Simulator 奖励，但舍弃了真实执行闭环。

9.2 LLaMAR：plan–act–correct–verify 的长时闭环

LLaMAR 解决部分可观测、多智能体长时规划，在 MAP-THOR/SAR 中用 Planner、Actor、Corrector、Verifier 形成闭环，并在摘要/结论报告相对既有 planner 约 30% 的 success-rate 提升（论文 pp.1,11；完整表 2 在 p.9）。遗留缺口是 MAP-THOR 只有 225 个任务、主要依赖推理时模块编排。VIKI-R 继承“验证器提供结构反馈”的思想，但将其从 inference-time correction 转为 training-time reward，换来单次推理低交互成本；代价是遇到环境变化时没有 LLaMAR 式在线重规划。

9.3 PARTNR：规模化人机协作暴露 tracking/recovery 缺陷

PARTNR 用 LLM + simulator-in-the-loop 生成 100,000 个自然语言任务，覆盖 60 个房屋与 5,819 个对象（论文 p.1、表 1 p.3）。它解决的是大规模 household human–robot planning；还发现无 privileged perception 的 ReAct 成功率 0.30，人类 0.93，8B fine-tuned planner 可接近 70B 并快 8.6×（表 2 与正文，pp.10–11）。遗留缺口是视觉协作分层诊断与多种机器人形态不足。VIKI-R 将 PARTNR 的 simulator-verified generation 传递到多 embodiment 视觉设置，并新增 team activation 和 partner trajectory perception；但规模从 100k 降至 23.7k，真实人机互动证据也更弱。

9.4 RoboFactory：组合约束让数据生成先变得安全可行

RoboFactory 解决异构多智能体 manipulation 数据自动生成，显式编码视角、空间、时间等 compositional constraints；它有 11 个任务，并以 diffusion policy/imitation learning 比较数据量和共享/独立架构（表 2/3，p.7）。遗留缺口是它更接近低层 imitation/control，对“为什么选这些 agent、如何评价长计划与 OOD”覆盖有限。VIKI-R 直接复用了同一 MARS 技术脉络，把组合约束上移为可验证符号 reward，并将任务扩到三个认知层；反过来，VIKI-R 没有保留 RoboFactory 的实际动作成功率闭环。

9.5 DeepSeek-R1：GRPO 与 cold-start 不是机器人专属发明

DeepSeek-R1 解决大语言模型推理后训练，以组内 reward 代替 value model，并使用规则 accuracy/format reward；GRPO 定义见其 §2.1（p.2），PPO 对照见附录 A.3（pp.16–18）。遗留缺口是数学/代码答案天然可验证，却不包含视觉、物理与多 agent feasibility。VIKI-R 的方法传递非常直接：仍然是 group-relative advantage、clipping、KL 与 format/task reward；真正新增的是三类具身验证器。由此应把贡献写成“把 verifiable RL 移植到分层协作 benchmark”，而不是提出新的 RL 算法。

9.6 非线性技术演进树

        RoCo 2023/24：LLM 对话协商 + motion/collision feedback
                    │
                    ├──────────────┐
                    ▼              ▼
 LLaMAR 2024：plan-act-correct-verify     PARTNR 2024：100k simulator-verified tasks
        │ inference-time 闭环             │ 规模化、human-robot
        └──────────────┬───────────────────┘
                       ▼
      RoboFactory 2025：组合约束 + 多 agent imitation/control
                       │
 DeepSeek-R1/GRPO ─────┼── rule reward + cold start
 （文本可验证推理）      │
                       ▼
          VIKI-Bench / VIKI-R 2025
   激活 ── 规划 ── 轨迹感知；SFT → GRPO
           │                   │
           ▼                   ▼
  下一步 A：统一闭环 policy     下一步 B：OOD embodiment / sim-to-real

演进动力有两个转折：第一，从“让 LLM 在推理时反复对话”转向“用验证器把协作轨迹固化为训练信号”；第二，从单一最终成功率转向能力分解。尚未完成的第三个转折是把三层重新接回同一个真实闭环：模型先选 agent，再执行计划、观察偏差并更新轨迹，而不是分别在三个静态数据集上得分。

9.7 跨论文对标

10. 真正贡献、可复用设计与迁移潜力

真正贡献有三点。第一是评测分解：把 team selection、symbolic planning、trajectory perception 分开，使模型可以在“会选人但不会排并行步骤”这类结构性失败上被定位。第二是规则接口：format checker、Action Checker、World Simulator、轨迹距离都能直接变成 reward，避免再训练黑盒 reward model。第三是reward support 诊断：实验意外显示，离散可行性 reward 需要 cold start，连续距离 reward 则可纯 RL；这比单一 SOTA 数字更有方法价值。

最可复用的设计不是具体的 Qwen/GRPO 配方，而是“先写验证器，再决定后训练方法”：

• 对能 exact-match 的 team formation，优先用集合 reward，并另外报告 precision/recall 以识别过度激活。
• 对组合计划，用执行器判可行，同时把 length、碰撞风险、能耗作为多目标 reward，不应只用 N(A) ≤ N_gt 的硬门槛。
• 对稀疏 reward，先用少量 CoT/trajectory demonstrations 进入 support；对连续 reward，可比较纯 RL 以减少 teacher imitation bias。
• 在部署上保留 LLaMAR/RoCo 式 feedback loop，让训练得到的 policy 负责 proposal、验证器负责 correction，而不是把闭环全部压进一次生成。

迁移到真实机器人时需要再加三层：相机标定与遮挡不确定性、动力学/安全控制器、通信延迟与 agent failure。迁移到用户当前关注的 Agent Memory 也有启发：把“写入哪些 agent/事实、如何并行计划、怎样预测协作者状态”分别设计成可验证子任务，再用连续/离散 reward 的 support 特性决定是否需要 cold start；但 VIKI-R 本身没有长期记忆、冲突更新或跨 session 评测。

11. 论文自述限制与独立批判

11.1 作者自述限制

1. 模拟环境限制：Limitations 第一段（pp.22–23）承认实验主要在模拟中进行，固定层级无法覆盖突发障碍、变化目标和自适应 agent 行为；因此外推到开放世界要谨慎。
2. 计算成本：同节第二段承认多层级 fine-tuning 成本高；表 12（p.28）显示 7B 三层需 8×A800 共 36 小时，但没有更完整成本核算。
3. 可解释性不足：同节第三段承认复杂场景中的 reasoning interpretability 仍未深入；当前 CoT 只作为训练/输出形式，不是 faithful causal trace。

11.2 独立批判（每点均为“因为 X，所以 Y”）

1. [RL 归因/统计] 因为 7B VIKI-R 相对 Ans-SFT 在 L2 ID 反而低 1.67 pp、3B L3 Avg 反而差 0.78，DAPO 在四个 L2 数字中有三个略高于 GRPO（表 10，p.26），而主表又没有 seeds、标准差或置信区间，所以不能把“所有层级提升”或这些小差异唯一归因于 GRPO；更像是数据、验证器与 RL 的组合收益。
2. [缺失强基线] 因为论文没有 compute-matched 的更长 SFT、SFT+best-of-5、rejection sampling、DPO/DAPO 全层级矩阵，而 GRPO 每 prompt 采 5 个 rollout，所以无法判断收益来自 policy gradient，还是来自额外采样与规则筛选。
3. [真实世界外推] 因为表 5 的真实照片实验只包含四个零样本通用 VLM，没有 VIKI-R，所以“beyond simulation”不能证明所提方法能 sim-to-real；最多证明 L1 任务可被搬到真实照片且仍困难。
4. [人类可比性] 因为 VIKI-R 在 L2 比人类低 27.25 pp，L3 三项误差高 25.33%–34.36%（表 6，p.10），所以“human-comparable”只可限定为 L1 激活，不能成为整体能力结论。
5. [奖励有效性] 因为 L2 把所有 N(A) > N_gt 的可执行计划都判 0，而一个替代 embodiment、容错恢复或更安全计划可能自然更长，所以 reward 把“复现 GT 效率”与“任务正确性”混在一起，可能压制多样但合理的协作策略。
6. [数据/统计口径] 因为论文同时出现 L2 10,714（附录 C.1）与 10,174（附录 D），总任务 23,737 又与 HF 的 22,637 行相差 1,100，所以 split 与 cold-start 是否重叠无法无歧义复现；恰好相等只能作为线索，不能替代数据卡说明。
7. [消融选择偏差] 因为 step penalty 在未说明采样方式的 challenging subset 上提高 39.7/88.0 pp，而全量 ID/OOD 只提高 3.16/3.74 pp，所以其 headline 效果依赖子集；需要公开 subset 清单和预注册难度标准。
8. [静态任务替代闭环] 因为 L1/L2/L3 分别训练、分别测，L3 只输出二维标注轨迹，论文没有一次“选 agent→执行→观察→重规划”的联合 rollout，所以它证明的是分层视觉推理 benchmark 表现，而非端到端多机器人合作成功率。

12. 开放挑战：必须能落地为 head-to-head 实验

12.1 理论

1. 稀疏 reward support 定理。 固定相同 Qwen2.5-VL、数据与 288 A800-GPU-hour，对 L2 比较 RL-zero、SFT→GRPO、curriculum reward、continuous feasibility score；横轴用初始非零 reward 概率，纵轴用最终 OOD accuracy，检验是否存在 cold-start 相变。
2. GT 长度门槛是否一致。 在同一批可行计划上比较硬门槛 1[N≤N_gt]、soft length penalty、Pareto reward（success/safety/energy）；由三名机器人专家盲评多样计划，测 reward 与人类偏好 Kendall τ。
3. 组内标准化稳定性。 在 G ∈ {2, 5, 8, 16} 下报告 σ_R = 0 比例、有效 gradient batch、KL 和 OOD；与带 critic PPO head-to-head，确定 GRPO 节省显存是否以稀疏层级的不稳定为代价。

12.2 工程应用

1. 闭环统一控制。 同一 100 个未见场景比较“三个独立 VIKI-R checkpoint 串联”与“共享 backbone、多头联合训练”以及 LLaMAR feedback planner；报告最终任务 success、碰撞率、步骤、p95 latency 和恢复次数。
2. 真机 sim-to-real。 在至少 3 种物理 robot、20 个任务、每任务 10 次上对比 base Qwen、Ans-SFT、VIKI-R、VIKI-R+online verifier；视觉扰动分光照/遮挡/相机位姿，报告 paired bootstrap CI，而不是只拍成功视频。
3. 等算力后训练。 把 7B 的 288 A800-GPU-hour固定，比较 SFT、SFT+best-of-5、rejection fine-tuning、DPO、DAPO、GRPO；所有方法使用同一生成 token 数，主指标为 L2 OOD 和真实 closed-loop success。
4. 数据口径审计。 对论文 23,737、附录两种 L2 数量和 HF 22,637 建 manifest；按唯一 sample id 检查 cold-start/train/test 重叠，公开 hash 与去重脚本，再重跑表 2。

12.3 新兴方向

1. 动态队伍与 agent failure。 测试中随机让一台机器人在第 30%/60% 进度失效，对比静态 VIKI-R、online replanning、communication-aware MARL；指标是恢复成功率、无效激活数和重规划 token。
2. 记忆增强协作。 给模型跨 episode 的 robot reliability/history，比较无记忆、向量记忆、动态图记忆；注入旧事实冲突与能力更新，测选人准确率、错误事实引用和更新延迟。
3. 三维/概率轨迹。 用 3D probabilistic trajectory 与二维 point prediction head-to-head，在遮挡场景报告 ADE/FDE、NLL、collision calibration ECE；检验低二维误差是否真的减少物理碰撞。

13. 近期值得跟踪的 7 篇工作

1. **Robot-R1（NeurIPS 2025）**：把 RL 用于具身推理与控制，比 VIKI-R 更靠近 action execution；应重点看其 reward 是否真正闭环、是否有同算力 SFT。
2. **ERA（ICLR 2026 OpenReview）**：直接讨论把 VLM 转成 embodied agent 的 RL 路径；OpenReview 身份和最终版本需在引用前再次核验。
3. **SimpleVLA-RL**：探索 VLA 强化微调的可扩展配方，是检验“verifiable text planning 能否传到连续动作”的近邻对照。
4. **RDT-2**：面向 generalist robot policy 的 reinforcement fine-tuning；值得对比 VIKI-R 的符号 reward 与动作级 reward 所需的安全约束。
5. **π0.5**：关注 open-world generalization；它提醒 VIKI-R 的 OOD 只是一组符号/场景划分，尚不是开放世界部署。
6. **RoboTwin 2.0**：用强 domain randomization 扩大数据生成与 benchmark；可作为 VIKI-R 真机迁移实验的数据侧补充。
7. **Tool-RoCo**：把其他 agent 当作工具并测自组织，报告 cooperative tools 只占 7.09%、activation tools 占 96.42%（论文摘要）；它直指 VIKI-L1 exact-set 之外的“何时停用伙伴、何时主动求助”。

14. 结论

VIKI-R 值得看，不是因为它“用 GRPO 把机器人做到了人类水平”，而是因为它把多智能体视觉协作拆成可验证、可训练、可审计的层级接口。最强结果是 7B 相对 Ans-SFT 的 L2 OOD 从 25.62% 到 33.25%（+7.63 pp，+29.78%），以及 L1 从 72.20% 到 93.00%；最关键反证则是 L2 ID 下降 1.67 pp、3B L3 反向 0.78、真实实验不含 VIKI-R。因而合理结论是：CoT 冷启动 + 层级规则 reward 能显著扩大可行计划的支持集，但三层静态推理还没有被证明等价于真实闭环协作。

来源与复算说明。 核心数字均来自实际读取的 NeurIPS 2025 正式 PDF 表 1–13、Figures 5–7 与附录；相关工作数字来自实际读取的 PARTNR、LLaMAR、RoCo、RoboFactory、DeepSeek-R1 PDF。百分比和 pp 为本报告按原表单点复算，未把曲线目测值伪装成精确值。全部 URL 在生成日访问；OpenReview 个别页面有自动访问限制，故接收身份无法独立核实者已明确标注。HTML 已通过 Warm Editorial 验证器（0 warnings）和静态响应式/占位符检查；运行环境有 Playwright 包但没有 /usr/bin/chromium、/opt/pw-browsers 或已下载的本机 Chromium 可执行文件，且按要求未运行 playwright install，所以无法诚实声称已完成三视图浏览器截图检查。ml-report-index.md 已追加本条记录。