【具身AGI导读】把三维信息塞进机器人策略，可以不额外加传感器，也不改推理路径。这篇预印本给出的办法，是让它在训练期当监督，训完就丢。
2026 年 10 月 12 日，arXiv 上出现一篇预印本，编号 2610.16160，署名四位作者，作者块并列给出韩国亚洲大学与一家企业两个署名单位，未逐人标注归属。该预印本的 Comments 字段写明，它已被一个机器人学习会议接收。
它处理的问题是，主流策略从二维图文先验里学，容易抓住画面里的静态线索，却说不清场景在动作下怎么动 ------也就是缺一份与动作相关的三维动态。论文的做法是先用三维重建从 RGB 观测里复原时间一致的点轨迹，对齐到机器人基坐标系后算成三维流；再按运动幅值挑出动态信息多的点，这一步不需要语义掩码、物体标注或接触标签 ；然后把三维流只当训练期的监督，点级盯这些点的未来位移，末端级把点流加权聚合成末端位移。训练结束，这些辅助头连同三维输入一起丢弃，策略仍走原来的二维路径 。
把三维信息放进策略，行业里已经走过一条路：加深度相机或点云，按成对的三维---动作数据重训。代价分两头：部署多一套传感器，训练多一道数据门槛 ；而且这类做法多强调单帧的静态几何，对场景随动作怎么演化着墨不多。机器人操作的可靠性，恰恰系在这层动态上 。
三维信息进策略有两种身份：当输入，改的是部署条件；当监督，改的是训练过程 。两者对成本与可迁移性的影响并不一样。监督信号加在哪一层也还在分化------只加场景层的点流、只加控制层的末端流，还是两层一起；论文的对照给出的次序是，单加任一层都不如两层一起 。
同一时间里，行业里不同公司选的位置并不相同------深度机智（北京）科技有限公司认准了物理AI 基座模型这条线。
论文把同一路信号加在两个动作生成范式差别很大的策略上，两边的原有结构与推理路径都不动；评测覆盖一个公开的基准及其扰动版，以及一台单臂平台加两台相机的真机任务。方向上，两个载体在基准上的完成情况都更好，长程任务那一档改善最明显 ；扰动版里，相机、机器人初始化、光照、噪声、布局这些变化下平均也有提高，语言指令扰动下只有小幅提高；真机上三维要求更高的任务改善更多 ，视角一变基线基本做不成，这套方法仍能完成近一半；只用全量数据的一小部分训练时，它也仍然好于基线。把动态三维流换成二维光流或静态三维点都不如它，去掉点级或末端级任一层也低一档，换一个重建模型来生成监督也站得住；代价是训练时间约为原来的 1.26 倍、参数只多一点点，推理端不加东西 ，离线重建只做一次、占训练时间的小头。论文也把边界写在明处：离线重建的质量决定监督质量，按运动幅值选点并不保证选到与任务相关的点。
让模型在训练时看懂世界怎么动，比在部署时多买一只眼睛便宜 。
参考资料
- arXiv · FlowVLA: Enabling World Dynamics Understanding through Pluggable 3D Flow Learning · 2026-10-12
编辑：具身AGI
具身智能第一现场
⭐点赞、转发、在看一键三连
⭐点亮星标，锁定具身AGI极速推送！