具身模型的感知、决策与操作能力正在快速提升。
但进入真实物理世界后，却仍可能因为未曾见过的物体位姿、环境扰动或长序列累积误差而出现动作偏差，导致分布外 (OOD) 任务成功率降低。
受端到端模型黑箱特性的长期制约，传统方案通常只能采用“重新采集示教数据，并对庞大的模型进行微调重训”的纠偏方式。不仅时间与算力成本高昂，且难以解释并根除失败的深层机理。
极智嘉具身智能在 Gravity 框架下创新探索 Gravity Control因果干预模型，展现出业内领先的自然语言运行时纠偏能力：
无需训练原始策略模型、无需新增示教数据，通过机制可解释性挖掘模型内部的动作调控机制，并在推理阶段直接干预相关 latent feature，实现具身策略的运行时纠偏。
Gravity Control 从揭示端到端模型内部的因果表征机制入手，建立“概念可解释+行为可控制”的双向闭环。操作人员仅凭一句自然语言提示，便能精确激活与微调模型深层的运动特征，成功将分布外（OOD）复杂操作任务的成功率从17.5%大幅提升至87.5%，单项设置的成功率更是由5%飙升至 95%。
01｜核心问题：“有概念”不等于“具因果”
要实现运行时纠偏，首先需要回答一个底层问题：模型内部大量 latent representations 中，哪些才真正拥有动作控制权？学界通常认为，如果一个神经元或表征能被解码出某种语义概念，它就必定在指导机器人的行为。
但极智嘉具身智能研究发现，相关性不等于因果性 (Not all concepts are causal)。
在大多数具身智能模型的骨干网络中，许多对特定物体或指令高度敏感的语言层表征，本质上只是对文本Prompt或视觉场景的被动“语义描述”。而真正驱动末端执行器姿态、夹爪开合以及位移速度的“因果运动控制层 (MotorLayer) ”，高度集中在动作生成链路的动作专家 (ActionExpert) 深层。
为厘清内部表征的作用路径，极智嘉研发团队形式化定义了一条概念属性链 (Concept Property Chain)，并依次验证 Faithful 保真性 → Motor Aligned 运动对齐 → Verified 泛化验证 → Causal 因果可控 → Safe 闭环安全。
实验揭示，语言层特征往往在运动对齐或泛化验证阶段中断。其特征名看似指向运动，实则无法干预物理动作；唯有动作专家层能完整走通整条属性链。
02｜Gravity Control：
找到模型内部真正可控的 Control Handles
为系统分析模型内部的动作表征，极智嘉具身智能构建了 Gravity Control 模型：
Gravity Control 模型框架总览
首先，在冻结原始模型骨干的前提下，Gravity Control 在 Residual Stream 中引入 Top-k SAE 等技术模块，对高维 Hidden Activations 进行稀疏特征分解 (Sparse Feature Discovery)，从中提取具有可解释语义的 latent features。
随后，通过定向因果干预 (Causal Intervention)，对已完成语义标注的 latent feature 进行 amplification / suppression，并观测位置、旋转、夹爪等动作通道的响应。
为了验证干预是否只作用于目标动作，而非同时扰动其他自由度，研究进一步引入干预特异性评估 (Specificity Ratio)，筛选方向一致、剂量响应单调、对目标动作影响较集中的Control Handle。
π0.5与OpenVLA-OFT在不同层插入SAE后
得到的可用特征数量比例区别
相较于仅通过 feature activation 对模型内部进行“readout”，这一架构进一步建立了从Interpretability → Intervention → Control 的闭环。
03｜以自然语言，直接纠偏底层动作
在完成 causal feature identification 之后，Gravity Control 进一步解决了一个更具工程意义的问题：如何让人以自然语言方式调用这些底层 Control Handles？
传统的端到端模型只接受宏观任务级指令（如“将面包放入盘中”），一旦执行过程遇到微小几何偏差，上层语言指令无法传递精细的抓取深度、左臂手腕翻转角、夹爪开度等底层控制参数。
基于已建立的概念控制表，Gravity Control 构建了语言引导的动作调节链路。
当机器人出现动作偏差，操作人员可发出自然语言提示（如“下夹取时抓得更深一点、更低一点”）。外部VLM规划器无需重新规划轨迹，而是检索概念表中的特征词表，对原始模型内部 activation 进行在线 steering。
与重新规划整条 trajectory 不同，这一路径直接干预模型内部已经学习到的 primitive motor representation。
