同时，Closed-loop Gate 用于限制最大 intervention dose，确保干预仅改变特定几何自由度，而不引发灾难性动作发散。

Gravity Control 的关键并不是“机器人听懂一句话”，而是让 correction intent 可以低成本地映射为模型内部可验证、可约束的 runtime control。

04｜实验验证：可解释性与零微调OOD任务提升

Gravity Control 模型不绑定某一种具身策略架构，接入不同类型的原始模型均可实现以自然语言进行运行时纠偏，大幅提升OOD任务成功率。

当前，Gravity Control 模型已在 π0.5、OpenVLA-OFT 等代表性 VLA 架构、LIBERO simulation benchmark 以及物理机器人平台上进行了全面评估：

实验首先验证了 Naming 与 Control 之间的差异。汇总多个策略后，部分具有可靠语义名称的 feature 最终并不能通过因果干预测试；反之，能否真正成为 Control Handle，取决于 intervention 对 physical action 的实际影响，而非 feature 名称本身。动作侧可验证、与运动对齐的特征也整体明显多于语言侧。

概念命名与动作因果控制相脱节

Naming and control come apart 现象

在真实机器人 OOD 任务中，在不更新原始策略模型权重、不新增机器人示教数据的前提下，该架构成功将横放面包等分布外失败任务的整体成功率从 17.5% 跃升至 87.5%，实现了即插即用的零样本动作挽救。

其中，横放面包这一单项 OOD setting 的成功率由5% 升至 95%。

利用自然语言在线纠偏真实机器人的实验结果

这表明 Gravity Control 的目标并非单纯“把动作推向某个方向”，而是在 base policy 已具备基础 任务能力的前提下，通过经验证的 latent intervention 实现 zero-finetuning failure recovery，同时约束对原策略的副作用。

05｜从 Correction 到 Skill：

让纠错成为自进化的起点

随着各种端到端具身智能模型从 benchmark 逐渐进入真实物理环境，模型能力本身已不再是唯一需要关注的问题。更重要的是：当机器人出现失误时，是否能够诊断问题来自哪里，并对局部行为进行可预测、可约束的干预。

Gravity Control 可以进一步接入更上一级的 Agent 或 AI原生系统套件，由上层系统持续判断任务状态、识别动作是否偏离目标，并自动完成Detect → Diagnose → Correct的全流程作业链条。不必由人担任机器人的“监督员”，而是由系统在局部错误进一步累积前，主动调用 Gravity Control。

更进一步，一次成功的 correction 也不必是一次性的。系统可以记录当时的 task phase、scene / state、被调用的 Control Handle、intervention dose 与执行结果，将成功的纠偏过程沉淀为可复用的 Skill。下一次遇到相似状态时，系统即可优先检索并调用既有经验，进一步降低对人工干预的依赖。

这意味着 Gravity Control 的长期价值不仅是让机器人“更容易被纠正”，而是让一次纠错逐步变成可以积累、复用的经验。从 Correction 到 Skill 再到 Self-evolution，Gravity Control 为具身智能模型持续减少人工介入、走向自主纠错与能力自进化提供新的技术路径。