A4A：从人类演示跨具身迁移面向动作的4D可供性

论文元信息

标题：A4A: Cross-Embodiment Transfer of Action-Oriented 4D Affordances from Human Demonstrations（A4A：从人类演示中跨具身迁移面向动作的 4D 可供性）

作者：Yifan Han、Litao Liu（共同一作）、Yuqi Gu、Ye Lu、Hanqing Wang、Sidney Wai、Ishaan Myrie、Qi Zhang、Jingjin Yu、Gen Li

机构：上海交通大学、罗格斯大学（新不伦瑞克）、南洋理工大学、香港科技大学（广州）、上海人工智能实验室

论文链接：arXiv:2609.05892v1 [cs.RO]，2026 年 9 月 5 日 · 项目主页：ru-arcl.github.io/a4a · 代码状态：已开源，github.com/ru-arcl/a4a（含 ARM4R 架构对照复现与 12 段冒烟样本，未发布模型权重）

一句话总结

A4A 把「人类视频里那些与交互相关的 3D 点在未来会怎么动」当成跨具身可迁移的监督信号，先用它预训练 VLA 策略，再换回机器人原生的状态/动作接口做微调，在五个策略家族、两套仿真基准和一台真实机械臂上都带来一致提升。

研究背景与动机

图 1：机器人应当从人类演示中学到什么？作者把「与交互相关的 3D 几何在任务条件下的未来运动」认定为跨具身可迁移的信号，A4A 用这些面向动作的 4D 可供性预训练 VLA 策略，再将其适配到机器人控制。

人类视频是机器人学习最廉价也最多样的监督来源：一个「拉开抽屉」的视频里同时存在视觉外观、人体运动、以物体为中心的交互线索和任务语义四类候选信号。问题在于，其中大部分信号要么与人体具身绑死，要么只能间接约束控制。论文作者把这个问题问得很直接：机器人既不应该去模仿人类手臂的轨迹，也不应该只凭物体身份去推断怎么完成任务。真正要找的，是那个既能直接指导控制、又能跨具身成立的信号。

可供性（affordance）是社区给出的主流答案之一，但它通常被表述为 2D 掩码、3D 区域、接触点、可操作部件或可操作分数。这些表述擅长回答「在哪里可以发生交互」，却几乎不回答「交互应该怎么展开」。作者举的两个例子非常说明问题：抽屉把手的位置并不决定拉出的位移量；杯沿的位置也不定义倒水所需的运动。静态可供性给出的是空间定位，而操作任务需要的是几何演化的时间过程。

论文的核心主张由此确立：可迁移的信号应当是操作性的而非仅仅空间性的——机器人需要从人类数据里拿到的是「任务条件下的、与交互相关的 3D 几何的运动」。人拉抽屉时，把手与抽屉上的局部点向外平移；人拧瓶盖时，局部点绕一根轴旋转；人按按钮时，接触区附近的点沿短法线方向移动。这些运动在人类演示中直接可见，并且恰好描述了机器人动作必须实现的那个物理状态转移。

这个主张要成立，必须先有一个几何学上的理由：为什么人类视频里的点运动能对应到机器人动作？作者给出的答案是短程对应关系。在一个短时域内，人类演示中与交互相关的 3D 点运动，与机器人末端执行器的运动，共享同一种局部几何结构——两者都可以被 $SE(3)$ 中的刚体或准刚体变换近似。尽管具体运动取决于具身形态、接触条件与坐标系，但这种共享的短时域运动模式提供了跨人类与机器人的可迁移交互先验。换句话说，人类的电机指令与机器人的电机指令活在完全不同的动作空间里，但「与交互相关的 3D 点运动」与「机器人末端执行器位移」是同一次操作转移的两种几何描述。

基于这一点，作者把这种表示命名为面向动作的 4D 可供性：定义在 3D 查询点上的、语言条件下的轨迹场。初始查询点把交互锚定到场景中，而它们的未来轨迹则规定了操作本身。与 2D/3D 掩码相比，多出来的时间维度改变了监督的性质：学习目标不再是「机器人能在哪里动作」，而是「交互几何应当如何随时间演化」。4D 可供性因此是一个把感知与控制连起来的面向动作的表示，而不只是一个感知描述子。

预备知识：短程 SE(3) 对应的严格形式

设 $G_{t}\in SE(3)$ 为机器人末端执行器坐标系到固定参考坐标系的变换。对于在末端执行器坐标系下齐次坐标固定为 $\bar{\mathbf{q}}_{i}^{E}$ 的点，它在时刻 $t$ 的位置为

$$\bar{\mathbf{q}}_{i}^{t}=G_{t}\bar{\mathbf{q}}_{i}^{E}. \tag{1}$$

相邻两个时间步之间的末端执行器位移为

$$A_{t}=G_{t+1}G_{t}^{-1}\in SE(3). \tag{2}$$

同一个位移直接诱导了所有附着点的运动：

$$\bar{\mathbf{q}}_{i}^{t+1}=A_{t}\bar{\mathbf{q}}_{i}^{t}. \tag{3}$$

式 (1)–(3) 说明，对于与夹爪、工具或被抓取物体刚性关联的点，末端执行器位移与诱导出的 4D 点运动是严格等价的两种表述。而对于人类视频中更一般的交互相关几何（被操作物体上、工具上、被接触部件上的点），作者把这一对应关系降级使用为局部短时域近似：在预测时域内，它们的运动往往可由 $SE(3)$ 中的刚体或准刚体变换近似。这个「严格—近似」的区分是整篇论文方法论的诚实之处，也是后面局限性的根源。

方法详解

图 2：可供性到动作的表示迁移。在交互相关 4D 点运动与机器人末端执行器运动之间的短时域几何对齐指引下，A4A 先预训练一个视觉—语言策略去预测未来 3D 点轨迹，再通过该策略原生的状态与动作接口把学到的表示迁移到机器人控制。

第一步：构建面向动作的 4D 可供性语料

表示要能预训练，首先得有大规模数据。作者从既有人—物交互数据集（HOI4D、EPIC-KITCHENS）与自采 RGB-D 演示中构建语料，规模超过 80K 段交互片段，其中约 30K 段为自采。公开数据提供跨物体、跨环境、跨视角、跨行为人的自然交互多样性；自采子集则专门补充公开数据中偏少或几何上不完整的操作类型：倒（pour）、切（cut）、挂（hang）、扫（sweep）、揭盖（lid removal），以及更多关节物体、工具中介和物体—物体交互。

标注与轨迹重建走一条统一的流水线。任务语义与交互实体优先取数据集自带标注，缺失时用视觉—语言解析归一化。对自采 RGB-D 子集，原始深度用 LingBot-Depth 精修；由任务指令派生的文本提示交给 GroundingDINO 定位被操作物体、工具或被接触部件；SAM 2 依据检测框或人工指定的点提示产出对应掩码；在选中区域内采样的查询点由 CoTracker3 跨帧跟踪以保持点身份，再用精修后的深度图与相机内参反投影到 3D，得到保身份的 3D 点轨迹。对没有可靠深度的数据，图像空间轨迹用估计深度、相机内参与相机运动补偿抬升到 3D，并变换到片段级参考系。受无效深度、长时间遮挡、跟踪不稳、几何突变、孤立点簇或漂浮离群点影响的轨迹一律剔除。

每段演示最终被表示为统一格式：

$$\mathcal{S}=\left(I^{0:H},l,Q_{\mathrm{int}}^{0:H}\right), \tag{4}$$

其中 $I^{0:H}$ 是视觉观测序列，$l$ 是任务指令，$Q_{\mathrm{int}}^{0:H}$ 是从被操作物体、工具或被接触部件上采样的查询点的 3D 轨迹。初始点负责锚定交互相关几何，未来位置编码任务条件下的几何转移。值得注意的是，监督只落在交互相关点上，而不是整个场景——这一点是后面架构对照实验要验证的关键设计。

第二步：两阶段迁移的总体设计

A4A 采用基于「预测空间替换」的两阶段训练策略。对每一个基座 VLA，复用它原生的视觉—语言条件栈与负责动作生成的内部模块。在 4D 可供性预训练阶段，查询点状态替换机器人状态，未来点运动替换机器人动作目标；在机器人微调阶段，原生的本体感受与动作接口被恢复，而从 4D 预测学到的参数用于初始化下游策略。同一个内部表示因此既建模以交互为中心的点运动，也建模具身特定的机器人动作，不引入任何额外的时序网络。

第三步：以交互为中心的 4D 预训练

给定当前图像 $I_{t}$、任务指令 $l$ 与交互相关查询点 $Q_{t}$，基座策略的原生视觉—语言前端产出多模态上下文特征；一个轻量点投影器 $P_{Q}$ 把查询点坐标映射进模型的状态 token 空间；视觉、语言与点状态表示随后由共享隐模块 $F_{\theta}$ 处理；点预测接口 $H_{Q}$ 把结果表示映射为未来 4D 点运动：

$$\begin{aligned}\mathbf{v}_{t}&=E_{\mathrm{VLM}}(I_{t},l),\\ \mathbf{z}_{t}^{Q}&=F_{\theta}\left(\mathbf{v}_{\leq t},P_{Q}(Q_{\leq t})\right),\\ \widehat{\Delta Q}_{t+1:t+H}&=H_{Q}(\mathbf{z}_{t}^{Q}).\end{aligned} \tag{5}$$

这里 $E_{\mathrm{VLM}}$ 是原生视觉—语言条件模块，$F_{\theta}$ 是在 4D 预训练与机器人动作生成之间共享的内部模块——取决于基座策略，它可以是语言模型解码器、多模态 Transformer 或动作专家（action expert）。

预训练目标沿用基座策略的原生目标族，只把它作用在有效的 4D 点目标上：

$$\mathcal{L}_{\mathrm{aff}}=\mathcal{J}_{\mathrm{base}}\left(\widehat{\Delta Q}_{t+1:t+H},\Delta Q_{t+1:t+H};M\right), \tag{6}$$

其中 $M$ 掩掉受无效深度、遮挡或跟踪失败影响的点轨迹。$\mathcal{J}_{\mathrm{base}}$ 是所选 VLA 的原生预测目标，只是作用对象从机器人动作换成点运动。共享隐模块因此通过它日后用于生成动作的那同一套预测机制被预训练，两个阶段之间不存在目标错配。

第四步：点运动的残差参数化

直接回归绝对未来坐标对网络并不友好。设 $\mathbf{p}_{i}^{t}\in\mathbb{R}^{3}$ 为查询点 $i$ 在最后一个上下文帧的位置，给定 $C$ 个上下文帧，模型预测相对于匀速外推的短时域轨迹残差：

$$\begin{aligned}\mathbf{v}_{i}^{t}&=\mathbf{p}_{i}^{t}-\mathbf{p}_{i}^{t-1},\\ \mathbf{r}_{i,h}&=\left(\mathbf{p}_{i}^{t+h}-\mathbf{p}_{i}^{t}\right)-h\mathbf{v}_{i}^{t},\\ \widehat{\mathbf{p}}_{i}^{t+h}&=\mathbf{p}_{i}^{t}+h\mathbf{v}_{i}^{t}+\widehat{\mathbf{r}}_{i,h},\qquad h=1,\ldots,H.\end{aligned} \tag{9}$$

残差按坐标用预训练语料统计量归一化，无效或被遮挡的轨迹不计入损失。这个参数化把「局部匀速运动」映射为零残差，因此它捕捉的是交互诱导的近未来运动中偏离惯性的那一部分，既不需要长时域预测目标，又天然对齐了「操作改变了物体运动」这件事。范式匹配的目标写作

$$\mathcal{L}_{\mathrm{4D}}^{(k)}=\mathcal{J}_{k}\left(\widehat{\mathbf{R}},\mathbf{R};\mathbf{M}\right), \tag{10}$$

$\mathbf{R}$ 汇集短时域点轨迹残差，$\mathbf{M}$ 掩掉无效轨迹，$\mathcal{J}_{k}$ 的形式在预训练与机器人微调之间保持不变。

第五步：机器人动作微调——只换接口

把预训练表示适配到机器人控制时，作者在对应的状态接口处用本体感受状态投影器 $P_{S}$ 替换点投影器 $P_{Q}$，用下游策略的机器人动作接口 $H_{A}$ 替换 4D 预测接口 $H_{Q}$。原生视觉—语言条件栈与共享隐模块由 4D 可供性预训练初始化，并在机器人演示上联合微调：

$$\begin{aligned}\mathbf{v}_{t}^{R}&=E_{\mathrm{VLM}}(o_{t},l),\\ \mathbf{z}_{t}^{S}&=F_{\theta}\left(\mathbf{v}_{\leq t}^{R},P_{S}(s_{\leq t})\right),\\ \widehat{\mathbf{a}}_{t:t+K-1}&=H_{A}(\mathbf{z}_{t}^{S}).\end{aligned} \tag{7}$$

整个阶段跃迁被局部化到外部的状态与预测接口上：

$$P_{Q}\rightarrow P_{S},\qquad H_{Q}\rightarrow H_{A}. \tag{8}$$

视觉—语言条件模块与共享隐参数 $F_{\theta}$ 在两个阶段之间完整保留。在短程几何对应的前提下，两个阶段表示的是同一次操作转移在不同空间中的两种写法：4D 点运动是人类可观测的几何表示，机器人动作是它的具身特定实现。

第六步：五种动作生成范式下的具体实例化

A4A 的一个关键设计约束是「不动基座策略的原生范式」。论文为此给出了五套实例化，每套都保留原生预测通路与目标族，只替换阶段特定的状态与输出接口：

以流匹配为例（$\pi_{0}$ 与 $\pi_{0.5}$），点残差 $\mathbf{r}$ 被当作流过程的干净端点。在流时刻 $\tau\in[0,1]$ 构造

$$\mathbf{x}_{\tau}=(1-\tau)\mathbf{r}+\tau\boldsymbol{\epsilon},\qquad\mathbf{u}_{\tau}=\boldsymbol{\epsilon}-\mathbf{r}, \tag{11}$$

$\boldsymbol{\epsilon}$ 为高斯噪声。轻量点投影器把加噪残差映射进动作专家的输入空间，模型在 MSE 下预测速度场 $\mathbf{u}_{\tau}$，视觉与语言特征通过策略原生的多模态通路条件化这一预测。对 $\pi_{0.5}$，迁移只发生在低层动作生成通路上，高层语义子任务预测通路保持冻结，从而保住基座策略的层级组织。

Octo 的做法是保留块因果 Transformer，把当前查询点状态作为额外观测流接入，用未来点残差替换机器人动作块作为扩散目标，同时保留原生噪声条件机制与 DDPM 去噪目标。OpenVLA 则把归一化后的点残差每个坐标按与动作表示相同的离散化原则量化，解码器在交叉熵监督下预测未来点残差 token。RLBench 策略使用 Qwen3.5-4B 骨干，其因果 Transformer（隐藏宽度 2048）充当共享预测模块，4D 阶段用两层点投影器、机器人阶段换两层本体感受投影器与两层动作头，两个阶段上下文长度都取 16，与 ARM4R 对齐。

A4A 两阶段数据流

flowchart TB
  subgraph S1["Stage 1 - Interaction-Centric 4D Pretraining"]
    H["Human HOI video
HOI4D + EPIC-KITCHENS
+ in-house RGB-D"] --> ANNO["GroundingDINO + SAM 2
interaction region mask"]
    ANNO --> TRK["CoTracker3 identity-preserving tracks
+ LingBot-Depth refined depth"]
    TRK --> Q3D["3D trajectories of interaction points
Q_int over horizon 0:H"]
    IMG["Image frames I_t
+ task instruction l"] --> EV["E_VLM
native vision-language front end"]
    Q3D --> PQ["Point projector P_Q
2-layer MLP"]
    EV --> F1["Shared latent module F_theta
decoder / block-causal Transformer / action expert"]
    PQ --> F1
    F1 --> HQ["Point prediction interface H_Q"]
    HQ --> RES["Residual over constant-velocity extrapolation
native objective family J_k"]
  end
  RES --> SWAP["Interface swap
P_Q to P_S and H_Q to H_A
F_theta fully preserved"]
  subgraph S2["Stage 2 - Robot Action Finetuning"]
    SWAP --> PS["Proprioceptive state projector P_S"]
    ROBOT["Robot demonstrations
observation o_t and state s_t"] --> PS
    ROBOT --> EV2["Same native vision-language stack"]
    PS --> F2["Same shared latent module F_theta"]
    EV2 --> F2
    F2 --> HA["Robot action interface H_A
AR tokens / regression / DDPM / flow matching"]
    HA --> ACT["Action chunk a_t to a_t+K-1"]
  end

实验结果

LIBERO-Object：五个策略家族全部提升

跨范式评测选在 LIBERO-Object 的十个任务上（每个任务都是「拿起指定物体放进篮子」），每个策略用 500 段演示训练（每任务 50 段），用相同官方初始状态在每任务 50 个回合上评测，最大步长 280。选择这个子集的理由很务实：4D 可供性语料聚焦物体交互而非场景布局或任务目标的变化。

这组数字最该读出的信息不是幅度，而是方向的一致性：五个策略家族的动作表示、学习目标和架构都不同（token 交叉熵、连续回归、DDPM 去噪、两种流匹配），却全部得到正提升，说明 A4A 的收益不绑定某一种 VLA 形式。作者的自我解读也很克制：OFT 只涨 0.6、$\pi_{0.5}$ 只涨 2.0，是因为基线已经分别到 98.0% 与 94.0%，几乎没有余量；而 Octo 的 +29.0 恰好说明基线越弱、可供性先验补的越多。

RLBench：纯 RGB 策略赢过显式用 3D/4D 观测的方法

第二个问题更尖锐：一个只在执行时用 RGB 的策略，初始化自 4D 可供性预训练之后，能不能打过那些显式使用 3D 或 4D 观测的方法？四个 RLBench 任务（meat off grill、sweep to dustpan、turn tap、slide block to target），每个策略每变体用 100 段演示训练、25 次 rollout 评测。

平均 39.0% → 61.0%，在对比方法中最高，超过 ManiGaussian 的 51.0 与 ARM4R 的 41.0（ARM4R 用其发布的 stage-one 权重做下游微调，其余数字引自先前工作）。增益在 meat off grill 与 turn tap 上最大，作者认为这对应需要精确空间推理与接触相关运动的任务。更重要的是执行时不喂显式 3D 观测，却在 meat off grill 与 slide block to target 上拿到最好成绩、在 turn tap 上追平最好成绩——4D 几何被「内化」进了表示里。

架构对照：增益来自数据与监督，不是架构差异

上面那张表有个天然质疑：A4A 的策略架构和 ARM4R 不一样，谁知道涨的 22 点里有多少是架构带来的？作者用一个严格的对照实验回答：两个 ARM4R 变体，骨干、机器人演示、微调流程、评测协议完全相同，唯一变量是 stage-one 预训练用的数据与监督——灰色用 ARM4R 发布的初始化（从通用全场景 4D 点轨迹学到），绿色用同一架构在 A4A 的面向动作 4D 可供性数据集上从头预训练。结果是四个任务全部提升，平均 41.0% → 60.0%，其中 turn tap 从 28.0% 涨到 60.0%。这个对照是全文最有说服力的一张图，因为它把「以交互为中心的点监督」与「全场景点监督」在同一架构上直接对比，说明增益确实来自监督信号的选择。

图 4：架构对照比较。两个变体使用相同的 ARM4R 架构、机器人演示、微调配方与评测协议；灰色为通用全场景 4D 点轨迹学到的发布初始化，绿色为同一架构在面向动作 4D 可供性数据集上的预训练。平均成功率 41.0% → 60.0%。

真实机械臂：六项技能、四种策略

真实评测用一台 AgileX Piper 机械臂，任务包括把杯子放到马克杯上、打开微波炉、切桃子，以及三个独立训练的「煮饭」技能（开锅盖、倒米、倒水）。每个技能采集 100 段遥操作演示，头部与腕部各装一台 Intel RealSense D435，每个策略每技能评测 10 次 rollout。在所有配对比较中，是否使用 A4A 初始化是唯一变量，下游演示、微调设置、观测与评测回合数全部固定。

跨四种策略的平均成功率从 56.7% 提升到 72.5%。最明显的改善出现在倒米与倒水上，这两项要求物体平移与大幅姿态变化协同完成。作者的解读落到了表示本身的性质上：抽取出的 4D 表示不仅捕捉交互发生在哪里，还捕捉交互相关的物体几何在整个操作过程中应当如何演化，包括倒水所需的旋转运动。这类操作性信息是机器人演示的补充，而不是替代。

图 3：真实世界操作。A4A 的代表性 rollout：把杯子放到马克杯上、打开微波炉、切桃子、煮饭。

语料与 stage-one 预测质量

为了让人相信「stage-one 真的学到了点运动」，论文给出两组定性证据。图 5 用彩色点流展示语料中交互相关 3D 点从当前时间步到下一步的位移，颜色渐变表示运动的时间演化，覆盖物体放置与拾取、关节开合、抽屉拉动、揭盖、倒、切、扫、挂等类型，几何跨度从短平移到大角度姿态变化再到工具中介交互。图 6 则直接对比 stage-one 可供性模型的预测点运动与真值，四个代表性交互分别是关烤箱、切水果、拖抽屉、以及从一个杯子倒进另一个杯子。

图 5：面向动作的 4D 可供性可视化。彩色点流表示交互相关 3D 点从当前时间步到下一步的位移，颜色渐变指示运动的时间演化。

图 6：stage-one 面向动作的 4D 可供性预测定性结果。四个代表性交互（关烤箱、切水果、拖抽屉、杯对杯倒）上的预测点运动目标与真值对比。

数据独立性方面，作者特别声明人类预训练语料与下游机器人数据是独立采集的：人类演示用随机变化的视角、物体实例与场景拍摄，下游机器人演示与评测使用不同具身、不同环境、不同物理物体；真实机器人训练或评测用到的物体，没有一个出现在自采人类演示里。两个阶段不共享任何物体实例、场景或配对演示，只在「开、倒、切、扫」这类高层操作类别上重合。这个设定决定了实验回答的是「操作知识能否跨具身迁移」，而不是「实例或场景层面能否匹配上」。

开源代码状态

仓库 github.com/ru-arcl/a4a 已公开，但范围需要说清楚，否则容易误读结果。仓库复现的是架构对照实验（即图 4 那条 41 → 60 的对照），README 中明确警告不要把这条曲线与主 RLBench 表格里的 39 → 61 混为一谈——两者是不同的实验设定。核心实现位于 code/a4a/，其中 FrozenVLMEncoder 用冻结的 Qwen3.5-4B 联合 VLM 编码器替换了 ARM4R 原本的 MAE + CLIP 双编码器组合，LoRA 可选，模型路径由环境变量 A4A_VLM_PATH 指定（默认 Qwen/Qwen3.5-4B），与论文 B.6 节描述的 RLBench 策略实例化一致。仓库另附 12 段冒烟测试样本，格式为 points.zarr（形状 (T,1296,3)，即每帧 1296 个查询点）与 instruction.zarr，可直接验证数据管线。模型权重未发布，主表（LIBERO 五策略、RLBench 对比、真实机械臂）的复现需要自行训练，全部训练与评测在单机 8×NVIDIA A800 上完成。

局限性

一、作者自述的三类失效场景。A4A 当前的实例化在以下任务上仍然受限：大幅非刚性形变、严重滑移或反复接触切换、以及复杂的双臂协调。作者举的例子是多圈拧瓶盖——它需要反复松开、重抓、重建接触，而当前的迁移形式没有建模这些。这恰好是式 (1)–(3) 那个「短时域 $SE(3)$ 近似」的边界：一旦接触点本身在预测时域内换了好几次，「附着点」的定义就不再稳定，残差参数化里那个匀速外推的基准也失去意义。

二、作者自述的未探索方向：机器人域 4D 可供性。论文只做了「人类 4D 可供性 → 机器人动作」一个方向。作者指出，一个互补方向是再引入一个训练阶段，使用由机器人运动构建的 4D 可供性；这种机器人域训练在当前设定中未被考虑，但可能进一步提升下游控制性能。

三、真实世界评测的统计粒度偏粗（本文判断）。每个技能只有 10 次 rollout，跨四种策略平均 72.5% 与 56.7% 的差距在单策略层面常常只是 10 次里多成功 1–2 次（例如 $\pi_{0.5}$ 的 Water 从 6/10 到 7/10）。方向是可信的（四种策略全部提升，且倒米/倒水这类需要姿态变化的任务改善最大），但单点数字的置信区间很宽，不宜当作精确的能力刻画。

四、评测范围与可复现性（本文判断）。跨范式评测只覆盖 LIBERO 的 10 个 LIBERO-Object 任务，没有触及 LIBERO-Spatial / LIBERO-Goal / LIBERO-100 这些更强调空间关系与长程组合的子集——而语料恰好是「聚焦物体交互而非场景布局变化」，这一选择与评测子集的选择是相互成全的。此外超过 80K 的语料与主表策略权重均未随代码发布，第三方要独立验证「以交互为中心 vs 全场景」这个核心论断，需要重建整条 GroundingDINO + SAM 2 + CoTracker3 + LingBot-Depth 标注流水线。

总结与展望

A4A 的贡献可以拆成三层，而这三层的价值并不均等。第一层是表示层的重新定义：把可供性从「在哪交互」的空间量升级为「交互几何如何随时间演化」的 4D 操作量。这一层的意义超出本文的具体网络，它给「人类视频里到底什么可迁移」这个长期问题提供了一个可操作的答案。第二层是工程层的接口替换设计：$P_{Q}\rightarrow P_{S}$、$H_{Q}\rightarrow H_{A}$，$F_{\theta}$ 原封不动，原生目标族不变。这个设计的价值在于它让同一套预训练能插到五种完全不同的动作生成范式上，而不需要为每种范式重新发明一个时序模块——这也解释了为什么五个策略家族全部得到正提升。第三层是数据层：超过 80K 段以交互为中心标注的 4D 可供性语料，以及那个把架构变量彻底摁住的对照实验。

从机器人学习实践的角度看，这篇论文最可迁移的经验不是某个具体网络，而是两条方法论纪律。其一是残差化：把预测目标写成相对匀速外推的偏离量（式 9），让「没有操作发生」对应零输出，模型只需要学交互带来的那部分变化。其二是架构对照：当你的方法与基线在架构上不同时，必须再造一个「同架构、只换预训练数据」的对照组，否则增益归因无从谈起。作者主动做了这件事，这也是图 4 比表 2 更能说明问题的原因。

往后看，三个方向值得跟进。一是把 4D 可供性阶段延伸到机器人自身运动（作者已点明），让两阶段的几何表示在同一个具身上闭环。二是处理接触切换：当前残差参数化假设查询点在预测时域内身份稳定，而拧盖、插拔、换手这类任务的本质恰恰是接触点的更替，可能需要允许轨迹分段或显式建模接触事件。三是把评测推向 LIBERO 之外的空间与长程组合任务，以及非刚性物体（布料、绳索、食材形变），检验「短时域准刚体近似」这个前提在多大范围内仍然成立。

金句

「静态可供性描述在哪里交互，而 4D 可供性规定相关几何应当如何运动。」
——A4A 把可供性从一个感知描述子，改写成一个把感知与控制连起来的面向动作的表示。