2026-03-09 A/B/C Storyline-First Synthesis

一句话主线（先讲故事，不先讲 citation）

这组 A/B/C 不是三篇并列论文，而是一条“让 VLA 真正在现实里可用”的三段式修复链：

• C (AnyCamVLA) 先解决“我看得是不是训练时那个世界”（观测域对齐）；
• A (IGAR) 再解决“我是否真的听懂语言条件”（语义条件对齐）；
• B (History-conditioned pruning) 最后解决“我能否在实时预算里持续做对”（效率预算对齐）。

换句话说： 先把输入拉回熟悉分布（C）→ 再把语言拉回决策主通路（A）→ 再把推理预算压到可部署区间（B）。

---

Opening Tension：为什么“高分 VLA”在实机上还是会崩

A/B/C 共同回答的并不是“怎样再涨一点 benchmark 分数”，而是同一个部署张力：

1. Camera shift：相机位姿轻微变化就失效（C）；
2. Language blindness：视觉捷径盖过语言条件（A）；
3. Token explosion：长时程推理让时延吞掉闭环（B）。

这三类失效分别击穿了系统的三个前提：

• 输入分布假设（C）
• 条件控制假设（A）
• 计算预算假设（B）

---

三个 Turning Points（故事转折点）

Turning Point 1 — “不是重训，而是 test-time patch”

A 与 C 的共同信号：它们都尽量不动基座权重，而在推理时修复失效模式。

• C：输入侧重映射（把观测拉回训练域）
• A：注意力重标定（把语言条件拉回主通路）

这把研究重心从“更大模型”转向“更可回滚的部署补丁”。

Turning Point 2 — “A/C 属于同一主干家族，B 是效率支线”

由 citation 子图可见，A 与 C 共享 anchor： RT-1 / Octo / pi0 / Fine-tuning VLA / GR00T N1 / LIBERO-Plus。

B 主要连接 VL-Nav / Unified VLA，更像导航效率链条，当前与 A/C 操控鲁棒主线弱耦合。

Turning Point 3 — “系统化组合优先于单点最优”

对 Wanpeng 当前目标（research assistant + 实机可用性）而言，最合理策略不是分别追求 A/B/C 的局部最优，而是优先验证组合链路： C -> A -> B。

---

Shared Anchors（共享学术底座）

当前可见 shared anchors：

• 2212.06817 (RT-1)
• 2405.12213 (Octo)
• 2410.24164 (pi0)
• 2502.19645 (Fine-tuning VLA)
• 2503.14734 (GR00T N1)
• 2510.13626 (LIBERO-Plus)

这说明 A/C 的分歧不是“换代路线”，而是在同代通用 VLA 基座上，分别修补“语义失活”和“视觉域偏移”。

参考：

• C Citation Subgraph
• Reference Archaeology Update
• Reference Graph

---

Why Now（为什么是现在）

1. 从“能演示”到“能部署”：模型能力到位后，失败主要来自分布偏移和预算约束，不再是纯建模问题。
2. test-time 方法成熟：A/C/B 都体现“少改动、快接入、可回滚”，契合真实系统迭代节奏。
3. 研究-工程闭环窗口期：现在做 A+C 基线最容易拿到高价值负反馈（语言失活 vs 相机失配谁是主瓶颈），从而决定 B 的投入强度。

---

What To Read Next（下一步阅读路径，按故事推进）

1. 先读 A（机制）
   • 2603.06001 IGAR
2. 再读 C（部署）
   • 2603.05868 AnyCamVLA
3. 后读 B（效率）
   • 2603.06480 Token Pruning
4. 回看总览
   • C Deep Read Brief

---

建议 Podcast 结构（可直接用于录制脚本）

1. Opening tension (2-3 min)
   • “为什么同一个 VLA，换个相机角度就不会干活；为什么明确说‘不要拿红杯子’也会拿？”
2. Act I: C—先修输入世界 (4-5 min)
   • AnyCamVLA 的核心：把观测拉回训练域，而不是重训策略。
3. Act II: A—再修语言通道 (4-5 min)
   • IGAR 的核心：train-free attention recalibration，把语言从背景噪声拉回控制变量。
4. Act III: B—最后修预算瓶颈 (3-4 min)
   • 历史条件 token 裁剪如何在不明显掉成功率下换回实时性。
5. Synthesis: C→A→B 系统组合 (3 min)
   • 不是三篇并列 paper club，而是一条部署链路。
6. Why now + What to read next (2 min)
   • 指向 shared anchors 与下一阶段 bridge-mining。

---

对 Wanpeng 的可执行落点

• 研究优先级：A > C > B（单篇），A+C > A/B/C 各自最优（系统）。
• 实验优先级：先拿 A/C/A+C 三组结论，再决定 B 是否进入主干。
• 图谱优先级：继续挖“跨 2602/2603 月份共引”的 bridge nodes，形成更长 archaeology reading chain。