不改模型、不重训，只挪走一个水瓶：StageCraft 把 VLA 的成功率抬了 40 个百分点
IROS 2026 上有篇论文的思路反着来：模型不动、策略参数不改，只在任务开始前把环境里那几个「可能是失败原因」的物体挪开，真机平均成功率就抬了约 40 个百分点。真正值钱的是作者对「为什么只做最小干预」的解释——改得越多，越可能引入新的失败。
本篇目录
- 方法反着走：StageCraft 不重新训练模型、不改动策略参数，只调整环境的初始状态，用视觉语言模型（VLM）推理出可能导致失败的物体，移除最小规模的干扰物集合。
- 真机提升约 40 个百分点：在存在干扰物的复杂场景下，任务平均成功率提升约 40 个百分点；测试任务为叠杯子、餐盘摆放、积木入碗三项。
- 两个 VLA 对照：论文使用了 Pi0.5（较强）与 SmolVLA（较弱）。干扰物增加到 5、6、7 个时，Pi0.5 才开始失败——干预只在必要时发生。
- 推理机制是蒙特卡洛思路：让 VLA 在不同环境里多次执行，结果标签由人提供，VLM 在上下文中推理哪些物体与失败相关，再把环境拆成物体集合，定位最小相关集。
- 作者自己划了边界：如果失败是模型能力问题（比如要抓一个很难抓的物体），调整环境帮不上忙；StageCraft 只处理由环境引起的失败。
- 判断：这套思路对交付方的价值高于对研究者的价值——它把「泛化不够」这个抽象问题，拆成了一个可以放在任务开始前执行的环境预检步骤。
主流做法在改模型，这篇论文在改桌子
VLA 模型在真实工作台上遇到训练分布之外的干扰物、或遭遇物理遮挡时，任务成功率会大幅下降。行业里的标准应对是重采数据、微调模型。StageCraft 给的答案是第三条路：不重新训练模型，不改动策略参数，只调整环境的初始状态。
按作者 Prabin Rath 在访谈里的说法，策略失败有两种。第一种是模型本身没有能力控制机器人完成任务——比如需要灵巧操作、要拿起一个很难抓的物体，这属于技能问题，「这种情况下调整环境也帮不上忙」。第二种失败由环境引起：策略本来已经具备完成任务的能力，只需要对环境稍作调整，任务对它就会容易一些。
不是「看着碍眼就挪」，是蒙特卡洛估计出的最小集合
系统遵循蒙特卡洛估计的思路：让 VLA 在策略可能遇到的不同环境里运行多次，有些成功有些失败，结果标签由研究者提供；VLM 作为推理主干查看这些执行记录，在上下文中推理环境中的哪些物体可能与失败相关。
积累足够样本之后，提示词中的算法会把环境拆分成不同的物体集合，再在这些集合里寻找与失败相关的最小物体集合。作者举的例子很直观：如果水瓶出现在摄像头前时策略总是容易失败，VLM 就可能推断水瓶与更高的失败概率相关，并建议移走水瓶，或把它挪到干扰较小的位置。
关键在于「最小」这两个字。系统在干预时可能影响任务本身涉及的物体——叠杯子任务里，杯子就是任务物体。对环境改动越多，引入新失败的可能性就越大。
40 个百分点是平均值，这个「平均」要拆开看
真机实验给出的数字是：在存在干扰物的复杂场景下，该方法将机器人任务平均成功率提升约 40 个百分点。测试场景涵盖叠杯子、餐盘摆放、积木入碗三项典型操作任务。
这里有一条必须写明的边界：40 个百分点是三项任务的平均值，论文与访谈都未给出每项任务各自的提升幅度。三项任务里，叠杯子与积木入碗对遮挡的敏感度显然不同，餐盘摆放又是另一种几何结构。平均值好看，但无法判断提升是均匀分布的，还是由某一项撑起来的。
Pi0.5 能扛五个干扰物，那就不动环境
论文里一个很实用的设计是强度自适应。SmolVLA 相对较弱，Pi0.5 更强、能够在有更多干扰物的情况下工作。当干扰物增加到五个、六个或七个时，工作空间变得非常杂乱，只有到那时才看到 Pi0.5 开始失败。
作者的表述很克制：「如果它本来就能应对一两个干扰物，我们又何必动环境呢。」并且明确说了未来方向——如果 VLA 变得更强、不再受干扰物影响，StageCraft 就应该相应调整、不做任何环境改动，它应该能判断出底层 VLA 已经足够有能力。
把「泛化不够」翻译成一个可执行的前置动作
这套方法对研究者的意义是一篇 IROS 论文；对做交付的团队，它的意义是一道工序。
还有一个容易被忽略的前提：这套方法成立的场景是「策略本来有能力，只是环境添了乱」。如果现场失败属于技能问题，整理环境是白费力气。所以第一步其实是分类——先看失败是环境型还是能力型，再决定用不用这套工具。