（来源：环球网资讯）
来源：环球网
【环球网科技综合报道】10月21日消息，极智嘉发布 Gravity Control 因果干预模型，无需训练原始策略模型、无需新增示教数据，通过机制可解释性挖掘模型内部的动作调控机制，并在推理阶段直接干预相关 latent feature，实现具身策略的运行时纠偏。
据介绍，Gravity Control 从揭示端到端模型内部的因果表征机制入手，建立“概念可解释+行为可控制”的双向闭环。操作人员仅凭一句自然语言提示，便能精确激活与微调模型深层的运动特征，成功将分布外（OOD）复杂操作任务的成功率从17.5%大幅提升至87.5%，单项设置的成功率更是由5%升至 95%。
为厘清内部表征的作用路径，极智嘉研发团队形式化定义了一条概念属性链（Concept Property Chain）；为系统分析模型内部的动作表征，极智嘉具身智能构建了 Gravity Control 模型。
传统的端到端模型只接受宏观任务级指令（如“将面包放入盘中”），一旦执行过程遇到微小几何偏差，上层语言指令无法传递精细的抓取深度、左臂手腕翻转角、夹爪开度等底层控制参数。
基于已建立的概念控制表，Gravity Control 构建了语言引导的动作调节链路。当机器人出现动作偏差，操作人员可发出自然语言提示（如“下夹取时抓得更深一点、更低一点”）。
值得一提的是，Gravity Control 模型不绑定某一种具身策略架构，接入不同类型的原始模型均可实现以自然语言进行运行时纠偏，大幅提升OOD任务成功率。当前，Gravity Control 模型已在 π0.5、OpenVLA-OFT 等代表性 VLA 架构、LIBERO simulation benchmark 以及物理机器人平台上进行了全面评估：在真实机器人 OOD 任务中，在不更新原始策略模型权重、不新增机器人示教数据的前提下，该架构成功将横放面包等分布外失败任务的整体成功率从 17.5% 跃升至 87.5%，实现了即插即用的零样本动作挽救。
据了解，Gravity Control 可以进一步接入更上一级的 Agent 或 AI原生系统套件，由上层系统持续判断任务状态、识别动作是否偏离目标，并自动完成Detect → Diagnose → Correct的全流程作业链条。不必由人担任机器人的“监督员”，而是由系统在局部错误进一步累积前，主动调用 Gravity Control。另外，系统可以记录当时的 task phase、scene / state、被调用的 Control Handle、intervention dose 与执行结果，将成功的纠偏过程沉淀为可复用的 Skill。下一次遇到相似状态时，系统即可优先检索并调用既有经验，进一步降低对人工干预的依赖。（青云）
