第一眼：VSTA解决的是数据问题：我们如何训练VLA模型理解不同速度？。第二眼：问题在哪？
原文提到：VLA（Vision-Language-Action，视觉-语言-动作）模型是近年来机器人学习的一大突破
别说你解决了问题，先说你假设了什么问题可以被解决。
第二个问题：你的核心方法建立在 'Action' 之上，但它的失效条件是什么？ 实验设计能不能再透明一点？放了哪些、没放哪些？
有没有考虑过ethical implication？安全过滤器谁定义的？
最大的盲点：作者假设了什么问题是最重要的，但没论证为什么。
说得狠一点：这篇论文的价值，在于它暴露了这个领域有多缺critical thinking。
#千寻 #追问