无需显式轨迹的3D扩散策略前瞻学习 Learning Foresight without Explicit Trajectories for 3D Diffusion Policies
用未来夹爪状态监督出的紧凑趋势隐变量，为3D扩散策略提供软性前瞻而不做显式轨迹规划。
前置知识
扩散策略（Diffusion Policy）
把机器人动作生成建模为条件去噪扩散过程：训练时对真实动作块 $A_t$ 逐步加噪得到 $x_\tau$，网络 $D_\theta$ 学习在观测条件下预测干净动作，损失通常为 $\mathcal{L}=\mathbb{E}\|D_\theta(x_\tau,\tau,c)-A_t\|_2^2$；推理时从高斯噪声出发经若干步（如10步DDIM）迭代去噪，输出一段连贯动作序列。它能天然表达多峰动作分布，是当前操作学习的主流骨干之一。
本文的全部改动都作用在扩散动作生成骨干上：趋势隐变量作为去噪条件、门控FiLM作用于去噪UNet瓶颈，理解扩散策略才能看懂'最小干预'到底改在哪里。
DP3 与 3D 点云观测
DP3 用点云代替RGB图像作为视觉观测：先用PointNet式编码器把稀疏3D点压缩成特征向量，再与机器人状态拼接，作为扩散UNet的全局条件。点云显式暴露场景几何与空间关系，对视角变化更鲁棒，样本效率高，便于从仿真迁移到真机。
本文自称'3D扩散策略'方法，输入表示、未来目标定义（任务空间笛卡尔坐标）、四大基准评测协议全部沿用DP3的点云设定，是与DP3*严格对照的前提。
Receding Horizon 与动作分块执行
策略每次接收最近 $N$ 帧观测，预测覆盖 $H$ 步的动作块，但只执行其中前 $n_a$ 步，然后重新观测、重新规划。本文沿用DP3设定 $N=3$、$H=8$、$n_a=6$，即从动作块索引 $N-1$ 处开始执行6步。这种滚动执行让策略能根据最新观测持续修正。
趋势隐变量在每个重规划周期被重新计算并刷新，理解这个执行循环才能明白'每周期更新的软条件'如何与稠密动作预测配合工作。
FiLM 与门控特征调制
FiLM（Feature-wise Linear Modulation）用条件向量预测逐通道缩放 $\alpha$ 和偏置 $\beta$，对中间特征做 $\tilde{x}=(1+\alpha)\odot x+\beta$ 的仿射调制。本文进一步加门：$\gamma=\sigma(W_\gamma c+b_\gamma)$，输出 $y=x+\gamma\odot(\tilde{x}-x)$；缩放/偏置投影零初始化、门偏置为负，保证分支初始为严格恒等映射，随训练才逐渐生效。
门控FiLM是本文把趋势信息直接注入去噪骨干的唯一附加通路，'仅限瓶颈+门控恒等初始化'这一保守注入设计是消融中性能最优的关键架构选择。
辅助监督与表征塑形
在主任务损失之外增加辅助损失（本文为未来夹爪状态的MSE）来训练某个中间隐变量，迫使它编码与未来相关的信息；推理时丢弃辅助解码器，只保留隐变量作为条件。这与'把预测未来当作中间控制目标'根本不同——前者只塑造表征内容，后者约束可执行动作。
这是全文的核心思想：'用未来教模型表征什么，而不是执行什么'。消融显示未来监督在LIBERO-40上贡献了+27.06个百分点，是本文增益的主要来源。
研究动机
3D扩散策略（如DP3）把几何观测直接映射为稠密动作序列，擅长回答'当前什么动作可行'，但成功操作还依赖对'交互正朝哪发展'的预判：抓取前要知道下一步接触哪里，双手传递要协调两臂的接近—抓取—转移—释放，堆叠要提前知道目标高度与顺序。标准扩散策略并不区分这两种角色，局部控制与长程交互结构都要从同一个动作学习目标里隐式恢复。已有的直接办法是让模型预测航点、关键帧或完整轨迹，但这要求预测器给出比控制器实际需要更多的信息：轨迹规定了机器人'该去哪'，而动作生成可能只需要'交互如何演化'的粗粒度提示；更糟的是，一旦把预测未来转成中间控制目标，预测误差就会约束后续行为，即使新观测表明应该修正动作也难以摆脱。数据上问题很直观：DP3在RoboTwin2.0五十任务混合训练中只有56.1%成功率，LIBERO-40点云评测仅37.08%，其中LIBERO-Goal套件低至8.73%，多阶段长程任务的失败尤其集中。
本文的目标是本文目标是让3D扩散策略在完全保留原有稠密动作预测与receding-horizon执行框架的前提下，获得'前瞻'能力而不引入任何显式规划目标。具体做法：从 $N=3$ 帧点云加机器人状态的历史中，学习一个256维的紧凑'运动趋势'隐变量 $z_t$；训练时用稀疏的未来夹爪状态（偏移 $\Delta=5,10,15,20$ 帧，每目标仅含末端xyz位置加1个夹爪开合标量，共 $4\times2\times4=32$ 个标量）作为辅助监督去塑造这个隐变量；推理时解码出的未来坐标全部丢弃，只保留隐变量本身作为面向未来的条件。注入方式坚持最小干预：隐变量走DP3原有的标准全局条件通路，仅额外增加一个限定在扩散UNet瓶颈层的门控FiLM分支，参数只增加3.52%（9.23M），推理延迟只增加1.23%（50.28ms到50.90ms）。
与已有工作不同的是，本文的独特切入是把'前瞻'从规划问题重新表述为表征塑形问题，并与三类已有方案明确划界。其一，显式中间结构方法（HDP利用接触结构、DTP生成任务相关2D轨迹）把未来变成被跟踪的目标，误差会传导且限制修正；本文的未来状态只在训练期作为监督信号存在。其二，未来视觉表征方法（FLARE把策略特征与未来观测隐变量对齐、ForeDiffusion预测并注入未来视角表征）建模的是'未来会看到什么'；本文直接在3D任务空间用稀疏夹爪状态监督，建模'交互将如何演化'，信息更贴近操作本体且维度极小。其三，与这些方法重模块、重耦合的设计相反，本文坚持保守注入——趋势隐变量经由标准全局条件通路进入网络，唯一的直接调制（门控FiLM）被刻意限制在压缩的UNet瓶颈处，使高层趋势塑造全局动作结构、而不干扰观测驱动的局部去噪。
核心方法
直觉上，与其指望策略从动作损失里隐式'悟出'交互走向，不如在训练时直接用未来夹爪位置告诉趋势编码器该压缩什么信息——但又不像轨迹预测方法那样把这个未来变成执行时必须到达的目标。技术路线分四步：第一，轻量趋势编码器 $F_\phi$ 把 $N=3$ 帧的（点云，机器人状态）历史映射为 $z_t=F_\phi(O_t)\in\mathbb{R}^{256}$，$z_t$ 取自辅助输出头之前的隐藏层；第二，辅助解码器 $G_\omega$ 把 $z_t$ 解码为 $K=4$ 个未来夹爪目标 $\hat{P}_t\in\mathbb{R}^{K\times2\times4}$（4个偏移×左右两个夹爪槽位×4维），用MSE监督后，解码结果在推理时丢弃；第三，$z_t$ 经小MLP投影为 $u_t$，与每帧点云特征、状态特征融合并拼接成全局扩散条件 $c_t=[h_{t-N+1};\ldots;h_t]$，送入DP3式扩散UNet去噪 $H=8$ 的动作块；第四，在UNet瓶颈处附加门控FiLM分支。全部模块以单一端到端目标 $\mathcal{L}=\mathcal{L}_{diff}+\lambda_{future}\mathcal{L}_{future}$（$\lambda_{future}=1.0$）联合优化，不引入独立规划模块。
核心创新是'前瞻即表征塑形'：把未来信息的作用从中间控制目标降级为训练期监督信号，隐变量 $z_t$ 是辅助头之前的隐藏层，训练结束后解码出的未来坐标被完全丢弃，推理只保留 $z_t$。它与已有方法的本质区别有三层。第一，相比航点/轨迹预测（DTP等），不产生预测误差向执行的传导，也没有硬跟踪约束，策略始终可以依据最新点云观测自由修正局部动作——这正是'保留DP3稠密动作与滚动执行形式'的含义。第二，相比未来视觉表征（FLARE/ForeDiffusion），本文在3D任务空间用稀疏夹爪状态监督，只需32个标量的训练信号就能显著塑形表征，而把同样的未来点直接嵌入条件反而低6.65个百分点（LIBERO-40上65.28%对71.93%），说明'用未来塑形表征'优于'把未来作为条件'。第三，注入架构上的洞见：消融证明瓶颈限定门控FiLM（62.8%）显著优于全块FiLM（55.8%）和交叉注意力（52.9%，甚至低于DP3*基线56.1%），高层趋势应当塑造全局动作结构而不应主导局部去噪行为。
方法步骤详情
完整流程如下。（1）输入归一化：点云坐标与机器人状态按训练数据估计的逐维限幅缩放到 $[-1,1]$，该归一化独立于未来目标处理。（2）趋势编码：每帧 $e_i=E_{trend}(P_i,q_i)$，时间拼接后通过两层隐宽256的MLP得到 $z_t=F_\phi([e_{t-N+1};\ldots;e_t],[q_{t-N+1};\ldots;q_t])$。（3）辅助监督：解码器输出偏移 $\Delta=\{5,10,15,20\}$ 帧的夹爪目标，每目标为左右夹爪槽位的4维量（末端位置xyz加1个夹爪开合标量），损失 $\mathcal{L}_{future}=\frac{1}{8K}\sum_{k=1}^{K}\sum_{g}\|\hat{p}^{(g)}_{t+\delta_k}-p^{(g)}_{t+\delta_k}\|_2^2$；超出演示长度的偏移截断到末帧，目标直接用各基准自带的笛卡尔坐标系，不做额外归一化。（4）条件融合：$u_t=\psi(z_t)$ 与每帧点云/状态特征融合 $h_i=F_{fuse}([f^P_i;f^q_i;u_t])$，拼接为全局条件 $c_t$；RoboTwin2.0实验中对比双方共用同一64维学习式任务嵌入以保证公平。（5）动作扩散：前向 $x_\tau=\sqrt{\bar{\alpha}_\tau}A_t+\sqrt{1-\bar{\alpha}_\tau}\epsilon$，样本预测损失 $\mathcal{L}_{diff}=\mathbb{E}\|D_\theta(x_\tau,\tau,c_t)-A_t\|_2^2$。（6）门控FiLM：$\alpha=W_\alpha c$，$\beta=W_\beta c$，$\gamma=\sigma(W_\gamma c+b_\gamma)$，$\tilde{x}=(1+\alpha)\odot x+\beta$，$y=x+\gamma\odot(\tilde{x}-x)$；投影零初始化加负门偏置，仅置于UNet瓶颈，下采样与上采样块只走普通条件通路。（7）推理：batch为1、10步DDIM去噪，执行 $\hat{A}_t$ 中从索引 $N-1$ 起的6步动作，重新观测后重算 $z_t$ 再规划；$z_t$ 每个滚动周期刷新，且永不直接转成指令或跟踪路径。
技术新颖性
技术新颖性体现在四点。（1）问题形式化新：首次把'前瞻'明确表述为对紧凑趋势隐变量的表征学习问题而非规划问题，并用参数匹配消融严格证明增益来自未来监督而非额外容量——LIBERO-40上保留同样隐变量架构但去掉未来损失的变体只有44.87%（仅比DP3高7.79点），加上未来监督后跳到71.93%（再+27.06点）。（2）监督信号极简：4个偏移×2夹爪×4维共32个标量即可显著塑形256维隐变量，且同样信息若在推理时直接作为条件嵌入反而有害，揭示了'塑形优于条件化'这一可迁移的设计原则。（3）注入架构有系统洞见：门控FiLM的零初始化+负偏置设计保证训练起点严格等价于原DP3，消融对比瓶颈限定/全块/交叉注意力三种注入给出'保守注入'结论，为后续条件注入类工作提供了明确的设计指南。（4）跨骨干初步验证：趋势条件同样把transformer基线ACT在六任务验证上从24.00%提升到51.67%，暗示该方法不绑定扩散UNet这一特定骨干。整个方法只增加9.23M参数（+3.52%）和0.62ms延迟（+1.23%），工程代价极低。
实验结果
逐一分析核心实验。（1）RoboTwin2.0五十任务混合训练：Ours*达62.8%，比同任务嵌入的DP3*（56.1%）高6.7点，在38/50个任务上提升；官方单任务设定下Ours为61.7%对DP3的55.2%，并大幅领先RDT（34.5%）、π0（46.4%）、ACT（29.7%）、DP（28.0%）；最大单任务增益为rotate_QRcode +37、place_shoe +26、move_pillbottle_pad +22、move_playingcard_away +21；类别层面多物体堆叠+10.5、双手传递+8.5、单臂操作+7.9、铰接交互+7.6、抓取搬运+7.3、精确定位+5.5、工具使用+2.6。（2）LIBERO-40点云评测：epoch-1000整体71.93%±0.49%对DP3的37.08%±1.21%（+34.85点），其中LIBERO-Goal从8.73%跃升至77.53%（+68.80），Spatial +31.80、Object +26.00、LIBERO-10 +12.80；训练曲线上Ours在epoch 300即达69.55%，超过DP3的最终水平，且三个rollout种子上的标准差很窄，说明优势稳定而非偶然。（3）DexArt四任务：平均59.25%对DP3的52.0%（+7.25），为全部对比方法最高（VITA 55.3%、FreqPolicy 54.3%）。（4）SO101真机五任务：72.0%对DP3的49.0%（+23点），SimpleDP3为43.0%、DP为33.0%。（5）关键消融：参数匹配但无未来损失的隐变量44.87%、显式未来点条件化65.28%；去掉门控FiLM降至57.1%、换扩散趋势预测器57.3%、去掉输入归一化58.6%；所有非默认偏移配置（7偏移56.6%、短程55.4%、长程57.4%、2偏移55.8%、单近54.9%、单远55.2%）均低于默认$\{5,10,15,20\}$的62.8%；全块FiLM 55.8%、交叉注意力52.9%。（6）按DP3*基线成功率分桶：<30%的11个任务平均+6.1点（10个任务提升）、30–40%桶+12.0点、40–80%的21个任务+9.8点、>80%的13个任务平均变化0.0点（天花板效应），说明该方法在基线'有合理动作先验但缺未来几何线索'时互补价值最大。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| RoboTwin2.0 五十任务混合训练（50演示/任务，100次评测/任务） | 成功率 (%) | 62.8 (Ours*) | DP3* 56.1 | +6.7（38/50任务提升） |
| RoboTwin2.0 官方单任务设定 | 成功率 (%) | 61.7 | DP3 55.2 | +6.5（并领先 RDT 34.5、π0 46.4） |
| LIBERO-40 点云评测（epoch 1000，6000次评测） | 成功率 (%) | 71.93 ± 0.49 | DP3 37.08 ± 1.21 | +34.85（LIBERO-Goal 套件 +68.80） |
| DexArt 四任务（铰接物体灵巧操作） | 成功率 (%) | 59.25 | DP3 52.0 | +7.25（对比方法中最高） |
| SO101 真机五任务（推方块/叠碗/叠方块/提篮/递瓶） | 成功率 (%) | 72.0 | DP3 49.0 | +23.0 |
| RoboTwin2.0 六任务 ACT 架构迁移验证 | 成功率 (%) | 51.67 (ACT + Trend) | ACT 24.00 | +27.67 |
局限与改进
作者承认的局限：失败分析发现机械臂会遮挡大部分被操作物体，导致点云不完整，缺失的几何同时损害基线与趋势估计，在需要精确接触、抓取对准或放置的任务中最明显——这些任务上改进确实有限（如place_dual_shoes仅16%、place_mouse_pad 5%、stack_blocks_three 3%）；工具使用（+2.6）与精确定位（+5.5）类别增益小，因为成功强依赖细粒度局部几何；基线>80%的13个任务平均变化为0，接近天花板。我自己的观察：其一，DexArt报告'最佳5个checkpoint平均'而LIBERO固定epoch-1000评测，聚合口径不一致且该协议可能带来有利偏差；其二，趋势隐变量 $u_t$ 在所有 $N=3$ 帧间共享、每周期整体刷新，时间分辨率粗糙，无法表达帧级演化的趋势变化；其三，监督目标只有末端夹爪位姿，不含物体运动或接触事件，对工具使用、颜色/尺寸排序等物体中心任务信息量有限（blocks_Ranking_RGB仅5%）；其四，交叉注意力注入反而低于基线（52.9%对56.1%），说明结论对注入架构敏感，迁移到新骨干需重新搜索注入点；其五，真机验证仅5个任务、单一SO101平台，且只用点云未利用RGB纹理信息。
独立分析的弱点
独立分析的弱点及改进方向。（1）遮挡脆弱性：趋势从局部观测估计，机械臂遮挡被操作物体时隐变量质量下降，而恰恰是遮挡严重的精确接触任务最需要前瞻；改进方向为多视角点云融合、学习式点云补全，或给趋势分支加置信度门控，在不确定时自动降权。（2）固定偏移超参：默认 $\{5,10,15,20\}$ 是经验选择，长短程配置均掉点（短程55.4%、单近54.9%对62.8%），且不同任务的最优前瞻距离天然不同；改进方向为可学习偏移或按任务自适应的多尺度偏移采样。（3）监督信号单一：仅夹爪末端位姿，无物体级未来信息；改进方向为辅以物体关键点轨迹或接触图监督，专门帮助工具使用与精确定位。（4）时间聚合粗糙：$u_t$ 对所有观测帧共享，丢失趋势的帧内动态；改进方向为每帧或每偏移独立隐变量加时间注意力融合。（5）架构敏感性：交叉注意力注入失败说明'隐变量与局部去噪耦合过强有害'的边界尚不清楚；改进方向为研究门控强度随去噪步数的调度或分层注入策略。（6）评测口径：DexArt最佳checkpoint平均可能高估性能，建议统一固定checkpoint协议复核。
未来方向
作者提出的方向：在更多样的物体、场景与扰动设置下验证真机迁移是重要后续工作。基于本文成果可延伸的方向：（1）与VLA基础模型结合——把运动趋势隐变量作为即插即用的前瞻条件注入π0、RDT类大规模模型，其+3.52%参数的轻量性特别适合这种场景；（2）与世界模型结合——趋势隐变量本身可视为压缩的短期前瞻想象，可用于离线策略评估或安全探索；（3）自适应前瞻——按任务阶段动态调整监督偏移或隐变量有效维度；（4）扩展到灵巧手与高自由度系统，监督目标从夹爪状态推广到关节级或物体级运动趋势；（5）多模态未来监督（物体运动、接触事件、力信号）以突破精确定位与工具使用类任务的瓶颈；（6）理论层面解释'表征塑形优于显式条件化'的现象，可能与信息瓶颈或多任务学习中的梯度冲突有关；（7）在强域随机化设置下检验趋势隐变量的跨域不变性，评估其能否成为可复用的通用表征。
复现评估
复现条件总体较好。代码已开源（github.com/zhangzhongbo2213/movement-trend-guidance）；仿真数据全部由各基准模拟器生成，无需自采：RoboTwin2.0每任务50条演示、每任务100次评测，LIBERO-40每任务50条演示（stride-4时间子采样），DexArt每任务100条演示；真机使用开源SO101双臂平台加Intel RealSense RGB-D相机，立体深度经标定内参反投影、外参变换到机器人坐标系，LeRobot遥操作每任务采50条演示、每任务20次评测。算力方面为单张RTX 4090（推理batch为1、10步DDIM），优化器AdamW、学习率 $1.0\times10^{-4}$，RoboTwin与DexArt训练3000 epochs、LIBERO训练1000 epochs。模型仅比DP3多9.23M参数（+3.52%），推理延迟50.28ms到50.90ms（+1.23%），训练开销与DP3基本相当。主要难点：LIBERO评测量大（每个checkpoint需6000次评测、评测10个checkpoint）；需严格复现各基准官方协议与真机点云标定流程；部分设计（偏移集合、负门偏置、仅瓶颈注入）的敏感性未完整给出选择指引。总体复现难度中等偏低，适合作为跟进研究的基线。
论文图表
概念示意图：从短观测历史中学习一个隐式趋势表征，作为软几何引导帮助策略组织未来交互，同时保持由当前观测驱动的局部动作生成。
一图概括全文核心思想——前瞻以'隐式趋势潜变量'而非显式轨迹的形式提供，是理解论文动机的最快入口。
五个真机任务（推方块、叠碗、叠方块、提篮、递瓶）的操作过程演示序列，展示双臂在接触、传递、堆叠等阶段的实际执行情况。
给出真机任务的直观场景与执行质量，帮助读者判断72.0%对49.0%的提升发生在怎样的物理交互中。
RoboTwin2.0七大类别成功率对比：官方设定下Ours 61.7%对DP3 55.2%，并领先RDT 34.5%、π0 46.4%、ACT 29.7%、DP 28.0%；五十任务混合训练中Ours* 62.8%对DP3* 56.1%，其中双手传递94.0%、铰接交互80.0%、多物体堆叠48.3%提升最明显。
主结果表，同时覆盖官方对照与受控混合训练对照，是评估本文方法整体水平与各类别增益分布的核心证据。
LIBERO-40四套件epoch-1000结果：Spatial 58.20%对26.40%（+31.80）、Object 93.53%对67.53%（+26.00）、Goal 77.53%对8.73%（+68.80）、LIBERO-10 58.47%对45.67%（+12.80），整体71.93%±0.49%对37.08%±1.21%（+34.85），每套件1500次评测、共6000次。
最大幅度的改进证据，尤其LIBERO-Goal近9倍的提升直接说明'前瞻'对多阶段长程任务的决定性作用，且多种子标准差很小。
DexArt四任务（水龙头、笔记本、马桶、水桶）对比：Ours平均59.25%（41/87/76/33），高于VITA 55.3%、FreqPolicy 54.3%、DP3 52.0%、SimpleDP3 47.5%等全部对比方法，比DP3高7.25点。
证明方法在机器人形态、任务结构、物体类别都不同的铰接物体灵巧操作环境中的泛化性，是对RoboTwin2.0结论的独立验证。
SO101真机五任务成功率：Ours平均72.0%（推方块75、叠碗75、叠方块85、提篮45、递瓶80），显著高于DP3的49.0%、SimpleDP3的43.0%、DP的33.0%，其中叠碗与递瓶任务提升最大。
证明增益能从仿真迁移到真实物理系统（含点云标定误差与真实动力学），是方法实用性的关键证据。
LIBERO-40引导构造消融：完整方法71.93%±0.49%；参数匹配但无未来损失的隐变量变体仅44.87%±0.33%（比DP3只高7.79点）；把5/10/15/20偏移的未来点直接嵌入条件的显式条件化变体为65.28%±0.19%。
本文最重要的科学证据：分离'额外容量''未来监督''塑形vs条件化'三个因素，证明增益主要来自未来监督的表征塑形而非容量或信息本身。
六任务ACT迁移验证：ACT平均24.00%提升到ACT+Trend的51.67%（+27.67），其中stack_bowls_two 25到73（+48）、move_can_pot 22到67（+45）、place_cans_plasticbox 16到48（+32）、click_alarmclock 32到63（+31），仅hanging_mug小幅提升（7到10）。
证明运动趋势条件不是扩散UNet特有的技巧，对transformer基线同样有效，支持方法的潜在通用性（但作者谨慎限定于所测设置）。
五十个任务的逐任务成功率全表：Ours*在38/50任务上超过DP3*，单任务极端案例如rotate_QRcode 40到77、shake_bottle系列达到100%、handover_mic 95到100；同时暴露短板如place_mouse_pad 5%、stack_blocks_three 3%、blocks_Ranking_RGB 5%等仍接近失败。
提供最细粒度的证据：既能看到改进的广度（38/50），也能定位失败集中区（遮挡、精细放置、颜色排序），是分析方法适用边界的第一手数据。
DP3在LIBERO-40上epoch 100至1000每个checkpoint的四套件成绩：整体从1.88%缓慢爬升到37.08%，LIBERO-Goal始终低于10%，显示基线在多阶段任务上学习极其困难。
与Table IX对照构成完整的训练动态对比，说明DP3的失败不是训练不充分而是结构性缺陷，本文方法恰好补上这一缺陷。
本文方法在LIBERO-40上的逐checkpoint成绩：epoch 100已达24.08%，epoch 300即69.55%，此后10个checkpoint稳定在71%至72.67%区间，各套件同步快速收敛。
展示方法不仅终点高而且收敛快3倍以上（epoch 300超过基线终点），对未来监督加速表征学习的机制提供了间接证据。
引导构造消融的逐任务明细：平均而言DP3* 56.1%、Ours* 62.8%、去门控57.1%、扩散预测器57.3%、去输入归一化58.6%；逐任务可见部分任务对特定组件更敏感，如rotate_QRcode在去门控时从77跌到52、open_microwave在扩散预测器下反而达94。
揭示消融结论的任务级异质性：平均值之外，个别任务对组件的依赖方向相反，提示组件贡献并非在所有任务上同质。
偏移配置逐任务消融：各配置平均56.6%（7偏移）、55.4%（短程2/4/6/8）、57.4%（长程20/30/40/50）、55.8%（2偏移）、54.9%（单近{5}）、55.2%（单远{30}），均低于默认{5,10,15,20}的62.8%；长程在handover_mic上暴跌至66但部分长程任务受益。
支撑'默认偏移在近期接触相关性与长程运动方向间取得最佳平衡'的论断，同时显示偏移选择存在任务间的权衡，为自适应偏移研究提供数据。
注入方式逐任务消融：瓶颈限定门控FiLM 62.8%、全块FiLM 55.8%、交叉注意力52.9%（低于DP3*基线56.1%）；交叉注意力在adjust_bottle上甚至跌至0%，而handover_block上反而达98%，呈现极端的任务级方差。
'保守注入'结论的最直接证据：让高层趋势主导浅层局部精化（全块）或强耦合（交叉注意力）都会损害性能，该表对设计条件注入方式有普遍参考价值。