训练前后，模型学到了什么？

同一批验证样本，对比 Joint-100k 初始化与两组原子指令微调。先看整体趋势，再逐帧核对机器人动作与视频细节。

464 个验证窗口34 个视频案例共同对比点：5000 步固定种子：42 + 样本编号

这是 5000 步的配对评估快照。 抓取时 L3+L2 已完成 6000 步，L3+L2+L1 尚未完成最终评估。曲线保留前者的 6000 步点，视频和主要结论统一比较 5000 步，不把不同训练步数混为公平对照。快照：2026-10-19 12:26 北京时间。

01 / OVERVIEW

动作误差与视频质量

模型 / 输入	步数	Action RMSE ↓	Action MAE ↓	Video PSNR ↑	Video loss ↓

Action 指标在每个数据集标准化后的有效 EE16 维度上计算，无物理单位；不是厘米或弧度。PSNR 只对 34 个代表性窗口的未来视频计算，不是全部 464 个窗口。

点击曲线下载/查看独立 PDF。这里都是验证指标，不是训练 mini-batch loss。

02 / MATCHED VIDEO

34 / 34 案例全部展示，无人工挑选

案例排序选择案例训练前基线的输入

速度

逐帧查看第 1 / 8 帧

真实视频 GT

源评估视频的真实未来帧

训练前 L3+L2 输入

L3 + L2 微调 5000 步

L3 + L2 + L1 微调 5000 步

每段只有未来 1.28 秒（8 帧，6.25 FPS）。画面包含主视角和右侧上下两个腕部视角；大幅静态背景可能掩盖局部手臂、物体和接触误差。可调慢速或拖动逐帧滑块。同步播放是浏览器尽力同步，精确比较请用逐帧模式。

展开本案例的两种输入 prompt

03 / BREAKDOWN

数据集	动作窗口数	RMSE · L3+L2	RMSE · +L1	+L1 相对改善	PSNR · L3+L2	PSNR · +L1

动作指标每个数据集最多 16 个固定窗口；视频每个数据集只有 1 个案例。胜负计数仅为描述性统计，不代表统计显著性。

04 / HOW TO READ

34 个视频案例的 tree、shard、episode、起始帧和样本编号完全对应。每组从 0 到 5000 步的 prompt hash 不变。动作评估使用 464 个固定窗口；按原始来源轨迹划分训练/验证（约 5% 验证），不是开放任务泛化测试。

预测动作：32 × 16，覆盖未来 1.28 秒；视频：一步视频预测的未来 8 帧。动作推理设 num_inference_steps=10。输入含初始状态及历史观测。

两组评估 prompt 不同，因此当前差异同时包含微调方案和输入信息差异，尚不能独立证明 L1 的因果贡献。需要补做正确 L1 / 去掉 L1 / 打乱 L1 的相同输入交叉评估。

原评估未保存逐窗口动作预测数组，无法从这些文件恢复左右臂轨迹图；SSIM、LPIPS 和机器人闭环成功率也尚未测量。此页不把离线误差下降等同于执行成功率提升。

指标读取原始 evaluation/metrics.jsonl；视频使用原始保存的 MP4。GT 从左真值、右预测的对比视频裁出，可能有轻微编码误差；页面 PSNR 来自编码前原评估值，并非重新对压缩 MP4 计算。