先更正一处。原帖写的动作接口 approach(cup) / grasp(cup, gentle) / lift(cup, 10cm)，论文里没有。
【直引】真实词表只有十来个词：MV_FWD、MV_BACK、MV_LEFT、MV_RIGHT、MV_UP、MV_DOWN，ROTATE_CW 与 ROTATE_CCW（带轴），GRASP，RELEASE，DONE。旋转默认关掉，只在需要调姿态的任务里开。解释器把每个词确定性地翻译成 6-DoF 笛卡尔位姿设定值的一步更新，平移带标定步长（粗 4 cm、细 2 cm），旋转带固定角度，越界动作在执行前被投影算子拦掉。同一个 MV_DOWN，Franka 用阻抗控制跟设定值，AgileX 用逆运动学流关节目标。
没有 gentle 这个参数。「小心」这件事没有形容词可传，它靠步长和闭环反馈凑出来。这个差别不小：原帖讲的故事是 VLM 用常识选了轻柔模式，论文讲的是 VLM 每步只看执行结果再决定下一步。
编号是 arXiv 2609.10522，新加坡国立大学 Show Lab，9 月 9 日。
数字比原帖给的足。10 个真实抓放任务，零样本 89%、微调 86%；六个基线里最强的是 RATS 57%，往下 H-VLA 50%、CaP-X 44%、π0.5 39%、GR00T 35%、G-VLA 13%。跨本体 Franka 与 AgileX 互换解释器，48/50 与 45/50。纯仿真数据训练直接上真机，微调 13/20，π0.5 和 GR00T 都是 0/20。微调成本是 Qwen3.5-2B 加 rank-64 LoRA，动约 3% 参数，单张 H200 不到两小时，真机演示总共 164 条、7774 步。
【推论】最该抄的一条不是 89%，是那个 2×2 消融。把动作名换成任意符号、保留书面约定，成绩几乎不掉；只留语义名、不给约定，明显退化；两头都不给，20 次只成功 1 次，模型自己猜对动作含义的比例 23.3%。写清楚每个按钮按下去会发生什么，比给按钮起个好名字要紧。
其余消融：去掉子任务规划掉到 60%，强制全程动作分块 74%，去掉失败恢复 72%，视觉提示让把手抓取从 40% 到 85%，情境式规划让遮挡搜索从 35% 到 85%。步长从 2 cm 调到 1 cm，零样本 60% 到 82%，π0.5 同样数据只到 18%。
还有一条反直觉的。把推理档位调高，省的主要是冗余步数，成功率涨得有限，GPT-5.6-sol 高档位要多花 3.4 倍墙钟时间。
边界论文自己写了两条：只测了单臂和双臂平行爪，没有触觉与力反馈。加上 50 步的回合上限，长程任务还没验。
下一根钉子：GUMI 采的那 164 条演示，换一个第三方本体、只重写解释器，看 89% 还剩多少。