Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies
作者: Shaoguang Wang, Weiyu Guo, Rushi Dai, Yiren Zhao, Yandong Guo, Hui Xiong
分类: cs.RO, cs.LG
发布日期: 2026-08-05
备注: 28 pages, 14 figures, 40 tables. Preprint
💡 一句话要点
提出闭环目标与控制审计以解决任务向量否定问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 任务向量 闭环控制 多任务学习 视觉-语言-动作 机器人控制 行为审计 模型编辑
📋 核心要点
- 现有方法在闭环机器人控制中，任务向量的行为局部性尚不明确，导致控制效果不稳定。
- 本文提出了一种目标与控制审计的方法，通过对多任务VLA策略的任务向量减法进行分析，揭示其行为特征。
- 实验结果表明，任务向量减法在不同技能中表现出不同的行为模式，且对控制效果产生显著影响。
📝 摘要（中文）
任务向量算术为模型修改提供了一种封闭形式的方法，但其在闭环机器人控制中的行为局部性仍不明确。本文对多任务视觉-语言-动作（VLA）策略中每项技能的任务向量减法进行了目标与控制审计。结果显示，减法产生了三种不同的行为模式：五项技能的目标-控制分离、三项技能的抵抗和两项技能的全局崩溃。在保留的初始状态下，五个可抑制目标的成功率为0%，而基线归一化控制保持率仅为52%。这些结果表明任务向量减法是一种快速但脆弱的干预手段，并强调在评估具身模型编辑的局部性时需要进行闭环目标与控制评估。
🔬 方法详解
问题定义：本文旨在解决任务向量减法在闭环机器人控制中的行为局部性问题。现有方法未能清晰描述减法对控制效果的影响，导致控制不稳定性。
核心思路：通过目标与控制审计，分析多任务VLA策略中任务向量减法的影响，揭示其在不同技能下的行为模式，从而为闭环控制提供新的评估方法。
技术框架：整体架构包括任务向量减法的实施、行为模式的分类、以及对控制效果的评估。主要模块包括技能分类、目标控制审计和行为模式分析。
关键创新：本研究的创新点在于通过闭环目标与控制审计，系统性地揭示了任务向量减法的行为局部性，提供了对现有方法的深入理解。
关键设计：在实验中，采用了基线归一化控制保持率作为评估指标，并通过多种技能的比较分析，揭示了任务向量减法对控制效果的影响。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在十项LIBERO-Goal技能中，任务向量减法导致了三种不同的行为模式，其中五项技能的目标-控制分离成功率为0%，而基线归一化控制保持率仅为52%。这些结果强调了任务向量减法的脆弱性和对控制效果的显著影响。
🎯 应用场景
该研究的潜在应用领域包括机器人控制、智能助手和多模态交互系统。通过优化任务向量的编辑方法，可以提升机器人在复杂环境中的适应能力和执行效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
Task-vector arithmetic offers a closed-form way to modify a model, yet its behavioral locality remains unclear in closed-loop robot control. We present a target-and-control audit of per-skill task-vector subtraction from multitask vision-language-action (VLA) policies. Across all ten LIBERO-Goal skills, subtraction produces three qualitatively different regimes: target-control separation for five skills, resistance for three, and global collapse for two. On held-out initial states, the five suppressible targets remain at 0% success; however, mean baseline-normalized control retention is only 52%, and each target-suppressing edit materially harms at least one nominally unrelated control. Additional Goal panels show separation across tested policies with continuous-regression, discrete-token, and flow-matching action heads, whereas we observe no clean separation on Spatial and control collapse on the tested Object and Long-horizon panels. Mean task-vector cosine does not account for this variation. A matched-norm control identifies a local sign asymmetry around one Goal anchor, while multi-vector outcomes vary with anchor and scale. Retain-aware gradient baselines provide data-dependent comparators but require removal-time data and optimization; subtraction is data- and gradient-free only at edit time, assuming precomputed expert deltas. Finally, a single-skill relearning probe is consistent with behavioral masking, not certified unlearning. These results characterize task-vector subtraction as a fast but brittle intervention and underscore the need for closed-loop target-and-control evaluation when assessing locality in embodied model editing.