TL;DR ：CosFly 用"把 3D 世界抽象成 2,067 个障碍物盒子 → 在连续空间做 9 目标梯度优化 → 反投影渲染多模态数据"的管线，构建了面向无人机动态目标跟踪的大规模多模态数据集。它既不是这个任务的第一个数据集（城市 UAV 跟踪的"首个"已被早六周的 UAV-Track VLA 占去，具身视觉跟踪任务本身更早一年就有 TrackVLA 做了真机验证），它的差异化也不靠"早"，而靠三件具体的事：七通道对齐标注（深度/分割/位姿/双语）、由显式多约束优化（MuCO）生成的专家轨迹、覆盖 7 个 VLM 的基准协议。工程解剖罕见地诚实，MuCO 优化器可迁移到一切"跟随"类任务。但三篇论文宣称的 12,000 条轨迹只公开了 250 条（约 2%），数据生成代码因公司政策不开源，GitHub 仓库目前只有 README------而先到六周的竞品已放出数据样本与演示视频（样本具体规模未公开说明），早一年的邻域工作已经完成真机验证。方向 8.0 分，开放度 2.5 分。
1. 一个并不空旷的空位
先把问题定义讲清楚。过去三年，无人机视觉-语言导航数据集爆发式增长：OpenFly（100K 轨迹）、AirNav（143K）、CityNav（32.6K）、AerialVLN（8.4K）、IndoorUAV（16K+）。但它们全部回答同一个问题：如何从 A 点飞到静态的 B 点 。与此同时，现实世界的无人机跟踪数据集（UAV123、VisDrone、UAVDT、WebUAV-3M）只提供 RGB 视频加边界框------没有深度、没有语义分割、没有语言指令、没有飞行动作。夹在中间的空白是：连续跟随一个移动目标，同时满足可见性、避障、运动学约束------搜救、自动跟拍、野生动物监测真正需要的那个任务。导航的成功定义是"到达"，跟踪是"持续"：目标本身就是动态约束源，每个时间步都要重新解一次可见性、视角、碰撞的联立问题。
但这个空位并不空旷，三个时间戳足以说明：
- TrackVLA（arXiv:2505.23189，2025-05，PKU/BAAI/Galbot）：提出具身视觉跟踪（EVT）任务，170 万样本（85.5 万跟踪 + 85.5 万识别），自建 EVT-Bench，并且完成了真机验证------四足平台（Unitree GO2）城市/室内跟踪，难档成功率 70%，超过商用跟踪无人机 DJI Flip 的 50%。但它的数据生态是地面智能体与室内场景（Habitat 3.0），与"城市高空飞行"是两个相邻域；
- UAV-Track VLA（arXiv:2604.02241，2026-04-02）：直接做了 CARLA 城市 UAV 跟踪数据集------892,756 帧（约 20 万人工遥操作专家演示 + 69 万 APF 自动采集）、176 个跟踪任务、85 类目标，自称"首个面向城市环境的具身 UAV 跟踪视觉-语言数据集"，GitHub 仓库已放出数据样本与演示视频（样本具体规模未公开说明，代码开放程度亦未逐一核实）；
- CosFly-Track（2026-05-20）：第三个到场。
那么 CosFly 还剩下什么？差异化是真实的，但必须用限定词说清楚：
- 轨迹生成哲学：UAV-Track 的专家数据来自人工遥操作 + 人工势场（APF）------一种不考虑可见性、视角美学、多约束联立的朴素控制器；CosFly 用 MuCO 做显式的九目标约束优化。数据集的"天花板"由生成器的目标函数定义，这是 CosFly 把水位线抬得最高的地方；
- 标注通道：UAV-Track 是前视 RGB（800×600）+ 速度状态 + 语言指令；CosFly 是 RGB + 度量深度 + 语义分割 + 六自由度 位姿 + 目标状态 + 中英双语指令的七通道对齐；
- 基准协议：CosFly 提供 7 个 VLM 的系统微调基准和 16 城镇的已见/未见划分；UAV-Track 是单一 π0.5 架构家族的模型对比。
还有一处值得记录的文字张力：CosFly-Track 论文声称"没有任何现有数据集是为视觉跟踪设计的"，而它自己的技术报告在相关工作中引用了 UAV-Track 67，并称其"面向城市环境中动态车辆与行人的具身视觉跟踪"。这不是疏忽，更像有意的边界划定------CosFly 实际主张的是"没有由多约束连续优化生成、带七通道对齐标注的跟踪数据"，这一点在事实上成立；但字面上的"没有任何现有数据集"这一表述越过了它自己承认的边界。2026 年互争"首个"是常规操作，只是这次发生在自家引用的文献上，格外刺眼。
所以，CosFly 必须靠"深"赢，而"深"需要被定义，本文给它三个宾语：专家轨迹由显式、可复现的多约束目标函数生成 （数据集论文附录 A 完整到任何人可以照着重写）；标注是七通道对齐 而非单目 RGB 加状态量；评测协议跨 7 个 VLM 与 16 城镇。下文逐层解剖，同时逐层记账。
2. 第一层抽象：65,614 → 2,067 个盒子
管线的第一步是哲学性的：把 CARLA 的 Town10HD_Opt 城市导出成 3D 边界盒，然后狠狠地简化。
原始导出 65,614 个轴对齐盒子，其中植被占 62,581 个（95.38%）------城市几何复杂度的主要来源不是摩天楼，是树。简化是一套精心设计的规则集：
- 分类合并：按语义类别用 AABB-gap 邻接规则聚类（植被阈值 2 m、建筑 5 m），每个簇替换为外接盒。阈值故意取得保守（偏大），保证规划安全；
- 裁树手术：每棵树在 2.0 m 高度切成"树干+树冠"两个子盒，树冠再向上抬升 0.5 m------因为 CARLA 的树盒是从地面贯穿到树顶的单一立方体，不切开就会错误地把"树下行走"判为不可行；
- 地下盒清除：用顶面判据（z_center + e_z < 0才删），保留半埋结构；
- 嵌套剪枝：只在同类盒之间做，跨类包含（交通灯在建筑里）不动，避免静默丢语义。
结果：65,614 → 2,067 个盒子（31.7× 压缩）。这个数字出现在每张总览图的第 2 步里，像是炫耀，其实是自白------从第一步起，抽象就开始欠债。论文自己在 §6.1 承认：裁树手术制造出的树干-树冠缝隙，按其构造方式就不代表真实物理开口。无人机在盒世界中学到的"可以从树下过"，在真实世界未必成立。这笔债叫仿真到现实迁移。论文的最后一节（局限性讨论）就是结账的地方------而作者给出的答案是：还没还，真实数据仍在采集中。
3. 第二层抽象：MuCO------用 9 个代价函数定义"跟拍美学"
这是整套工作中最硬核、也最值得独立借鉴的部分。数据集论文把全部 9 项代价函数的完整定义放在附录 A，自称足以支撑独立复现；技术报告的附录 H 则另给了一份工程实现级的算法规格。
目标函数 ：C(W) = Σᵢ Σₖ₌₁⁹ λₖ · cₖ(wᵢ, contextᵢ)
九项代价权重
三个最有信息量的代价项：
- 可见性
c_vis = (1-v)²，v 是打在目标身体上 5--10 个采样点的未遮挡射线比例。射线-障碍物求询用 BVH 从 O(n) 加速到 O(log n)，配合逐路径障碍物过滤（2,000 → 约 200 个），单条轨迹优化从 ~12 s 降到 0.1--0.5 s（24--120×）； - 视点质量
c_view = f(cos⟨-v_look, v_walk⟩) · dᵢ------全篇最"懂任务"的设计：v_walk 取 ±15 帧窗口的净位移方向，直接性因子 dᵢ 在目标转弯时自动降低约束强度。直走时要严格跟在正后方，转弯时放松------好的轨迹优化器应该理解跟拍的语义，而不只是几何； - 加加速度 三阶差分惩罚，直接保证运动学可执行性，免去后处理平滑。
求解器是刻意的"朴素暴力"：不用自动微分，而是坐标式有限差分（ε=0.5 m------大到足以跨过小障碍获取有效可见性梯度）+ 自适应学习率 + 单步 0.5 m 位移裁剪 + Rayon 并行，200 个航点每次迭代 2--5 ms。对"生产 6,000+ 条轨迹"这个实际目标，它诚实、可调试、够用。
安全由软/硬四层架构保证 ：软安全代价提供梯度引导 → 几何投影把陷入障碍的航点推出去（穿透 >5 m 沿 SDF 梯度大步推出；垂直抬升 ≤3 m 能解决就抬升；否则在 ±35° 扇形里评估四种策略选代价增量最小者）→ 速度修复再分配投影尖峰 → 高度平滑消振荡。分层的原因是防止安全项梯度过强把优化器困死------用工程结构代替调参艺术的典型决策。优化之后还有 7 步后处理流水线（遮挡段拉直、绕行消除、振荡消除、多轮安全投影......），坦白承认：优化器本身不是产品，补丁才是。
与 A* 的对决：一个需要打折扣的 7.3%
MuCO 与 A* 对比
CosFly 实现了离散基线中的理论上限------四维时空体素图上的可见性感知 A*（单条轨迹扩展约 140 万节点）。结果：A* 平均可见性高 7.3 个百分点，但慢 22×、路径长 13%（示例轨迹 315 m vs 200 m）、且需要后处理平滑才能飞。
引用这组数字时必须同时引用它的前提：这个 7.3% 的差距是在一个生产场景下没人会用的基线上测出来的 ------按论文自己的账，A* 生成 6,000 条轨迹要约 9 个 GPU·小时，MuCO 只要 25 分钟。所以这组对比的准确读法不是"谁更好"，而是"在可行性约束下，你愿意为更高的可见性支付多少"：答案是没有系统会为了 16/20 条本就 >0.90 的可见度去付 22× 的成本。7.3% 仍然携带信息------离散搜索确实能找到可见性更高的路线，这是方法谱系边界上的真实差距------但它对"MuCO 是否够用"这个问题的权重，远小于数字本身暗示的程度。论文把 A* 定位为离线参照、MuCO 定位为生产器，这个分工是清醒的；引用差距数字的人也应该保持同样的清醒。
这里需要补一个数字冲突问题，因为它横跨两篇论文："22 倍"（5.5 秒对 247 毫秒）出自数据集论文第 4.3 节与图 2（Path 0 案例为 10,075 毫秒对 311 毫秒）；而技术报告附录 H 用 20 场景复现实测给出了另一组数字------优化器纯计算 MuCO 平均 218 毫秒、TA*+Smooth 平均 893 毫秒（约 4 倍），端到端计入编排开销后单条路径几乎打平（958 对 906 毫秒），四方综合评分也是 TA*+Smooth（0.782）高于 MuCO（0.699）。这不是计时口径能解释的：同一条 Path 0 上，数据集论文的 A* 要扩展约 141 万个节点、耗时 10,075 毫秒，而技术报告重写的 TA*+Smooth 只要 906 毫秒------参照基线本身差了约 11 倍。换句话说，"22 倍"依赖一个较慢的参照实现，技术报告自己的复现没能确认这个招牌数字；两组数字不必然逻辑矛盾（比较的实现不同），但对读者的实际含义是：MuCO 速度优势的真实量级，取决于你跟哪一个 A* 实现比。另一个跨论文的小出入：技术报告 H.7.2 的 MuCO 权重（2/4/3/2/2/1/2，另加固定高度正则）与数据集论文附录 B 表 7 的权重（1/0.5/0.3/2/3/1/0.5/1/0.1）不仅数值不同、结构也不同（7 项加权加固定正则 对 9 项全加权），两篇论文连参数表都没对齐，照表复现时以哪份为准需要向作者确认。
谱系定位：MuCO 是 CHOMP（2009）→ TrajOpt → GPMP 这一连续优化谱系的工程化后裔，算法新意有限。真正的贡献不在求解器，而在为"数据生产"设计的跟踪专用目标函数和生产经济学。
4. 第三层抽象：双轨迹------把"错误"也做成数据
双轨迹扰动设计
每条行人路径生成两条无人机轨迹：MuCO 专家轨迹 + 扰动轨迹。扰动由两个独立伯努利事件控制（位置扰动 P=0.6、半径 2--3 m；朝向扰动 P=0.6、最大 5°），天然组合出四种状态：16% 无扰动、24% 仅位置、24% 仅朝向、36% 双重扰动。滑窗采样（窗长 10、步长 3）用前 5 帧扰动观测 做输入、完整 10 帧专家轨迹做监督------同一数据结构同时支持去噪、DAgger 式纠偏、对比学习、未来预测四种训练范式。
消融给出了支撑设计的最佳证据：只用专家轨迹训练，偏航 MAE 反而恶化到 6.54°（对比 3.85°）------只见过完美数据的模型学不会纠偏。这本质上是 DAgger 经典教训在 2026 年的重演，但"把扰动写进数据结构"比"训完再 DAgger"更干净。
但证据链上缺了一环：3.85° 这个"纠偏后"的基线本身是怎么来的？ 如果 MuCO 生成的专家轨迹带有系统性偏差（第 2 节的 裁树手术造出的假缝隙就是候选），扰动数据教给模型的只是"在专家分布内部如何回来"，而不是"真实世界里的专家应该长什么样"。扰动训练的鲁棒性收益因此要乘上一个贴现率------它等于策略从 CARLA 分布外推时的失败率，而该系数论文没测。
这个系数并非完全无锚。邻域里已有一笔公开的结算：TrackVLA 在仿真基准 Gym-UnrealCV 上单目标零样本成功率 100%，真机测试（四足平台，每档 10 次试验）中档 90%、难档 70%，对比商用无人机 DJI Flip 的 70% / 50%------粗略的仿真到现实折扣在 10--30 个百分点量级。这个锚要打三重折扣：平台是四足而非飞行、场景是近地而非城市高空、每档样本仅 10 次。但它至少说明一件事：CARLA 内量出的鲁棒性收益，兑现到现实时个位数到几十个百分点量级的折损是常态，而非意外。CosFly 的扰动收益将来大概率也在这个区间内贴现；而且 UAV-Track 的 APF 扰动与 CosFly 的扰动双轨迹思想同源------"扰动+恢复"已是该领域公共知识，CosFly 在这上面的相对优势比论文呈现的小。
字幕生成（第 7 步）用师生蒸馏（Qwen3.5-397B → 2B）产中英双语指令。因果链（CoC）管道用 锚定策略------把正确 GT 飞行动作注入提示词，保证 100% 决策一致性：推理链是给正确答案写的事后合理化，不是模型自己推出来的。这类数据对提升遮挡场景的表示也许有效，但别把它当成"无人机会推理"的证据。
另一个反直觉的决策值得单独表扬：质检环节主动保留 <5% 的不完美样本（目标-车辆重叠、背景行人掉帧），并用实验证明其对性能影响可忽略。数据世界观很清醒："干净"不是第一美德，"分布真实"才是。
5. 基准实验：诚实的数字，狡猾的比较
零样本与微调对比
七个 VLM（Qwen3.5-0.8B/2B/9B、Qwen3-VL-2B/8B、GLM-4.6V-Flash、Gemma-4-E4B）的微调 宣传数字很炸：SFT 后 SR@1m 从 25--33% 跳到 78.3--95.6%（+53~69 个百分点）。拆开看：
先说诚实的部分。 零样本的全部 7 个模型输出与"原地不动"基线在小数点后 4 位一致------六自由度 数值回归对当前 VLM 是零样本不可解任务 ，任务特定的 SFT 不可替代。同族规模实验揭示了真问题：0.8B→9B，SR@1m 只 +0.5 个百分点，但 RotAcc@1° +7.0 个百分点、MAE -18.3%------跟踪的难度在精细姿态，不在粗位置 。消融同样坦率：去掉位姿历史 FDE 恶化 3.1×；位姿+框都在时，RGB 的边际贡献几乎为零（1.264 vs 1.249 m），论文自己警告"这暗示当前基准的结构化文本先验已足够做路径回归"------这个基准对视觉还不够难，视觉尚未被迫出场。多图训练把灾难性失败（FDE>10 m）降低了 55.6%。
再说狡猾的部分。 "+53~69 个百分点"的比较对象是零样本 VLM------一个本来就不该会六自由度回归的对手，这是稻草人。真正该问的是：比起在别家跟踪数据上微调，CosFly-Track 的边际收益是多少？两家数据集的动作空间、观测通道、评测协议各不相同，直接横评很难------但这恰恰说明"+53~69 个百分点"作为卖点，比较参照系选得有多舒服。
还有一层账：0.8B 与 2B 在 25%--100% 数据上收敛到几乎同一点（ADE≈2.14），作者正确读出"瓶颈是数据分布而非容量"。但分布瓶颈的下一步追问是：这个上限本身值多少钱？ 一个在 2,067 个盒子的 CARLA 里 ADE≈2.14 的模型，放到真实城市里上限是多少？第 4 节的那笔邻域结算（仿真到现实的折扣，约 10--30 个百分点）就是目前唯一能用的汇率读数，而 CosFly 全系列的真机证据为零------它的 ADE、它的 SR、它"零样本不可解"的判定，全部以 CARLA 物理为记账本位。
下游迁移是加分项：Depth Anything V2 AbsRel 0.77→0.045、SAM2.1 mIoU 0.74→0.86、Grounding DINO AP50 85.4→94.2，且小模型≈大模型------覆盖度而非容量是瓶颈。从已见地图到未见地图的 FDE 劣化稳定保持在 50% 上下（+0.43--0.46 m），且与模态选择无关------差距来自轨迹分布漂移。请记住这个数字，它是下一节的伏笔。
6. 影子第四篇：CosFly-VLA 与它的泛化警报
官方管线图（数据集论文图 1）
*▲ 数据集论文官方图 1：场景处理 → 行人路径 → MuCO 优化 → 渲染输出。整个数据宇宙的物理定律由游戏引擎定义。*
2026 年 7 月的 CosFly-VLA 把数据用到了极致：Qwen3.5+LoRA 共享骨干，元查询路由把表示分流到三个解码头------流匹配动作专家（8 步四自由度航点）、目标框 MLP、可见性 MLP；训练四阶段递进（空间 CPT 50 万样本 → 1.74M 样本三阶段课程 SFT → 1.9 万条 CoT → 策略自身交互数据驱动的闭环强化学习）。
数字层面：开环 ADE 比 OpenVLA 低 34%；闭环成功率在已见场景 57%→74%（+17 个百分点），在未见场景 80%→82%（仅 +2 个百分点） 。这个剪刀差是全系列最重要的一个数字：在仿真器内部换个地图，收益就缩水近九成；而仿真到现实的迁移是比换地图大得多的跳跃------在这条路上，TrackVLA 一年前就已经出发，CosFly 还在原地。另一个容易漏掉的细节：闭环评测用的是共享 GT 历史框/可见性缓冲------策略自己的状态估计误差还没进入闭环。论文对此倒是坦白，列进了局限性讨论。
7. 账本：它欠了什么------把同行放在同一行里算
| 维度 | TrackVLA / EVT-Bench（2025-05） | UAV-Track VLA（2026-04） | CosFly-Track（2026-05，公开版） |
|---|---|---|---|
| 域 | 地面智能体为主，室内 Habitat 3.0，真机为四足平台 | 城市空中，CARLA 0.9.14 | 城市空中，CARLA |
| 规模 | 170 万样本（85.5 万跟踪 + 85.5 万识别） | 892,756 帧（20 万人工演示 + 69 万 APF） | 宣称 2.4M 时间步；公开 250 条轨迹 / 约 10 万帧 |
| 模态通道 | RGB + 语言（识别/规划双流） | RGB + 速度状态 + 语言 | RGB + 深度 + 分割 + 六自由度 位姿 + 双语（七通道） |
| 轨迹生成 | 未公开细节 | 人工遥操作 + APF（含扰动恢复） | MuCO 九目标约束优化（显式代价函数，附录可复现） |
| 真机验证 | 有：SR 100/90/70%（易/中/难档，各 10 次），超 DJI Flip | 无（列为 未来工作） | 无（真实数据采集中） |
| 开放动作 | 论文承诺公开 TrackVLA 与 EVT-Bench | GitHub 已放出数据样本与演示视频（样本规模与代码开放度未完全核实） | 数据子集在 HuggingFace；生成管线代码"因公司政策不开源"；GitHub 仓库仅有一个 README |
| 基准 | EVT-Bench + Gym-UnrealCV 零样本 | 模型家族内对比（π0.5 系） | 7 个 VLM 微调基准 + 已见/未见场景协议 |
这张表让结论变得立体：CosFly 在"轨迹生成质量"和"标注通道丰富度"两项上确实领先，但在"公开规模"和"开放动作"两项上落后于先到六周的直接竞品，真机验证这一项则落后于早一年的邻域工作 。"数据基建+任务定义"的差异化里，"数据基建"这一半被部分抵消------对手的数据更多、更可得，邻域已经有人把记分牌挪到了现实。CosFly 手里剩下的牌，本质上是一张方法论的牌：如果你的研究需要"由显式多约束优化定义的专家分布"和深度/分割/位姿通道，它是目前唯一选项；如果你只想训一个会跟人的 VLA，UAV-Track 的起点更低。
其余旧账：零样本稻草人比较（第 5 节）；VLA 论文无多种子置信区间（数据集论文用 3 种子报了 低于 0.5 个百分点的标准差，VLA 论文没有）；行人只有曲率变速+随机停，无社会力、无人群、无对抗运动；树冠缝隙是几何虚构。
8. 评分卡与跟踪清单
评分卡
| 维度 | 分数 | 理由 |
|---|---|---|
| 方向前沿性 | 8.0 | 任务方向仍热，但卡位不再独占：UAV-Track 早六周、TrackVLA 早一年且已过真机 |
| 工程完成度 | 8.0 | MuCO + 四层安全架构 + 双轨迹课程 + 全链路质检，细节密度极高 |
| 方法新颖性 | 6.5 | CHOMP 谱系的工程化；扰动设计因竞品思想同源不再单独加分；新意集中在目标函数 |
| 开放度 | 2.5 | 公开数据约为宣称的 2%，生成代码不开源，仓库 README-only，落后于已放出样本的竞品 |
| 当前可用性 | 3.5 | 数据子集与评测协议可用，但规模小于竞品，且无任何真机参照可校准预期 |
| 长期跟踪价值 | 7.0 | 押注面收窄为"方法论 + 通道丰富度"；若扩容与放码兑现可回升，真机验证是最大变量 |
现在就该用的人：需要深度/分割/位姿通道或多约束优化专家分布的研究者------CosFly 仍是唯一选项；做跟随类规划（跟拍车、AGV 跟随）的------按数据集论文附录 A（技术报告附录 H）重写 MuCO，它的目标函数与你的任务只隔一层代价项。
值得等的事件（建议按季度复查）：① 公开数据是否扩到承诺规模（与 UAV-Track 的 89 万帧直接可比）；② GitHub 是否放出代码------竞品的样本与视频已经把门槛抬高；③ 是否出现任何真机验证------TrackVLA 的真机数据就摆在那里，CosFly 的沉默每季度都在变贵；④ VLA 是否补多种子与预测状态闭环。
9. 结语：矩阵悖论
论文标题借了《黑客帝国》的隐喻："我们不改变现实，只改变矩阵。"
当数据生产的边际成本被压到"25 分钟生成 6,000 条轨迹"，瓶颈就从"数据量"转移到"抽象保真度 "：无人机在 2,067 个盒子的世界里学到的是盒子的物理，不是世界的物理。CosFly 的每一个抽象层都在记一笔账------税在每次抽象发生时入账（树冠假缝隙、曲率变速的行人、伯努利扰动的形状），在真机验证那天结算。这本账有两栏：一栏是计量，税的计量单位是策略在分布外状态上的失败率 ------CosFly 自己的语言就是"灾难性失败比例"，多图训练把它降低 55.6%，正是对冲这笔税的直接证据；另一栏是汇率，贴现率由验证环境与现实在观测（光照、纹理、传感器）和动力学（行人行为、风扰）上的差异决定。第 4 节那笔 10--30 个百分点的邻域结算，是目前公开的唯一汇率读数。CosFly 的账还挂在账上。
矩阵悖论还有第二层：矩阵不只欺骗无人机，也欺骗矩阵里的人类研究者------在 CARLA 里 ADE 2.14 的模型、闭环 SR 74% 的策略、零样本不可解任务的判定，全部以 CARLA 的物理为记账本位。当所有竞争者都在同一矩阵里竞赛，胜出者可能只是最懂矩阵规则的那一个，而不是最懂世界的那个。TrackVLA 把对比做到了商用无人机上，就是在把记分牌往现实挪；CosFly 三篇论文连一次真机试飞都没有。
但公允地说，这套工作做到了几件比数据更重要的事：它把"无人机跟踪"写成了一个可引用、可证伪、有专属约束集合的问题；它用图 2 主动展示劣势数字；它在局限性讨论里把"代码不开源"白纸黑字写出来；它的数据集论文附录 A 详细到足以让任何人重建 MuCO。在 2026 年平均水平的对照下，这种诚实本身就是贡献。
一句话总结：值得精读、值得跟踪、暂不值得押注------它手里的牌是"最丰富的通道 + 最显式的优化"，牌还硬，但对手已经下场、有人过了真机，窗口期不是"不会太长"，而是正在关闭。
*图表说明：官方管线图来自数据集论文图 1（arXiv:2605.17776）；其余图表由本文基于数据集论文公开数据（表 2、表 5、表 7、图 2 及附录 A/B/C）独立绘制。评分卡为主观评价。*
论文：
1）CosFly 技术报告（https://arxiv.org/abs/2605.19120）
2）CosFly-Track 数据集论文（https://arxiv.org/abs/2605.17776）
3）CosFly-VLA 论文（https://arxiv.org/abs/2607.15004）
机 构 ：Autel Robotics（道通智能）× 南京大学 × 北京大学 × 南科大 × 港大