# 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。
### TLDR
- **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**。
### SRC
素材时间窗为 **2026-10-04 18:00 → 2026-10-05 09:00**（北京时间）。核心信源为搜狐「42 号电波」栏目对论文共同一作 Prabin Rath 的访谈实录，页面标注发布时间 2026-10-05 03:29，落点严格在窗口内，属当日凌晨首发；论文《StageCraft: Execution Aware Mitigation of Distractor and Obstruction Failures in VLA Models》由亚利桑那州立大学团队完成（共同一作 Kartikay Milind Pangaonkar、Prabin Kumar Rath、Omkar Patil，指导教授 Nakul Gopalan），2026 年 3 月发布，被 IROS 2026 接收；IROS 2026 于 2026-09-27 至 10-01 在美国匹兹堡召开，收录论文近 1900 篇，会议本身在窗口外。原文事实包括：不重训不改参数只调环境初始状态、VLM 查看多次执行记录并按蒙特卡洛估计拆分物体集合、真机三项任务平均成功率提升约 40 个百分点、使用 Pi0.5 与 SmolVLA 两个 VLA、干扰物增至 5–7 个时 Pi0.5 开始失败、以及作者关于「技能问题调环境无用」与「未来 VLA 更强则应减少干预」的明确表述。需切开的边界：「约 40 个百分点」是三项任务的平均值，论文与访谈均未给出三项任务各自的提升幅度，因此无法判断提升集中在哪一项、是否存在某项拖低均值的情况；访谈为记者整理的对谈实录（文中注明「略经编辑」），本号未获论文全文与消融表的独立核对。站内既有研究解读多以「某指标异常」为切口，本篇与其差异在于：处理一种把问题从模型侧搬到环境侧的方法论，以及它对交付流程的直接含义。
### BODY
1反着来的那个思路
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。
主流路径：重采数据 → 微调 / 后训练 → 成本与周期都不低；更麻烦的是很多真实场景无法复刻原始训练数据。
StageCraft 路径：少量策略试跑 → VLM 推理失败相关物体 → 移除最小干扰物集合。样本效率高于 RL 与微调方案。
2怎么判断该挪走谁
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。
判断：作者说的「第二个原因才是主要的」——避免引入新的失败——其实是所有环境改造类方案的共同约束。凡是打算靠「整理现场」来提升机器人成功率的做法，都要先定义清楚干预的上界：动几个物体、动到什么程度、动完之后是否需要重新校验任务物体本身。
3数字与它的边界
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。
使用 VLA 数
2 个（Pi0.5 / SmolVLA）
四项统计对象互不相同，不可相加或相除。单项任务的提升幅度论文与访谈均未给出。
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。
判断：读这类数字，第一件要做的事是问「分布在哪里」。凡只给均值不给逐项结果的操作类论文，都应先按「方向成立、幅度待拆」处理。
4强度不同，干预就该不同
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。
判断：这条设计原则可以直接搬进交付方案——环境干预的强度应该与模型能力成反比。模型越强，现场整理越少；模型越弱，才越依赖前置的环境预检。把这条写进 SOP，比无条件要求客户「把台面清空」更容易被接受，也更好验收。
5对做项目的人意味着什么
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。
步骤 1
部署前先跑少量试跑，标注成功/失败，形成这个场地的执行记录。
步骤 2
用更强的视觉语言模型回顾记录，推理与失败相关的物体集合。
步骤 3
只移除最小集合，且避开任务物体本身；改完复核一次任务是否仍可完成。
步骤 4
随模型能力迭代回退干预强度——模型变强就少改环境，把这道工序的成本降下来。
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。
判断：机器人落地里最贵的从来不是算法迭代，是现场改造与客情沟通。能把「提升成功率」的动作收敛到「挪走一个水瓶」，成本结构就完全变了。
来源：搜狐「42 号电波」访谈实录（2026-10-05 03:29）；论文《StageCraft》由亚利桑那州立大学团队完成，IROS 2026 接收。单项任务提升幅度未披露；访谈经编辑整理，本号未获论文全文与消融表独立核对。