来源：慧视AI迹

原文链接：https://www.toutiao.com/article/7670733576400339456

这是「具身智能日报」的第一篇深度精读。我们只讲一篇论文，把它讲透：SUREFlow，一篇刚被 IROS 2026 接收、7 月 11 日才挂到 arXiv 上的轻量 VLA 工作。它最抓人的点在于：只有 179M 参数，在 LIBERO 上做到 92.5% 平均成功率，在更考验鲁棒性的 LIBERO-PRO 上追平 3B–7B 参数的 OpenVLA 和 π0.5。它不是把模型做大，而是把“不确定性”这件事想清楚了。下面我们从动机、方法、实验、局限四个层面把它拆开。

一、论文档案

GitHub：　|　论文：

二、一句话总结

一句话总结：SUREFlow 用 Mamba（状态空间模型）做骨干，把动作生成建模成“流匹配”问题，并在其中显式学习每个动作维度的预测不确定性（异方差建模）。训练时用不确定性加权损失，推理时不依赖环境反馈、只对“高不确定”的动作维度做几轮内部残差精修。最终以 179M 参数在 LIBERO 平均成功率 92.5%，在 LIBERO-PRO 上以 0.49 的成绩追平 3–7B 参数的大模型。

三个核心贡献：① URFlow：不确定性感知的残差流（训练 + 推理闭环精修）；② MGAD：记忆引导动作解码器，轻量交叉注意力，让动作 token 学会“查记忆”；③ Mamba + FCM：线性复杂度骨干 + 流时间条件调制，保证轻量高效。

三、背景与动机：为什么生成式策略会“不稳”？

3.1 从“直接回归”到“生成式策略”

模仿学习最早的主流做法是直接回归动作（Implicit BC 等），输出是确定性的。这类方法有个公认的软肋：真实演示常是多模态的（同一句话、同一画面，可能有多种合理动作），确定性回归只能学到“平均”，动作会模糊、抖动。

于是生成式策略登场：扩散策略（Diffusion Policy）和流匹配（Flow Matching）不再预测单个动作，而是学习“动作的条件分布”，每次采样生成一个完整动作序列。多模态表达能力上去了，但新的问题来了——生成过程引入了随机性，随机性会在长程 rollout 中累积。

3.2 论文瞄准的三个具体问题

误差累积：长程任务里动作是开环执行的（模型不实时看反馈），每步小的速度误差会像滚雪球一样变大，最后动作漂移、任务失败。

同方差假设：现有 diffusion / flow 策略在拟合速度场（velocity field）时，默认所有维度、所有时刻的残差都一样可靠（homoscedastic），没有显式的不确定性建模。但现实中，某些时刻、某些关节就是更难预测（比如要精插的瞬间 vs 大范围移动的瞬间）。

算力门槛：主流 VLA 靠 Transformer 大骨干（OpenVLA 7B、π0.5 3B），推理和训练成本高，边缘部署难。

论文的核心命题：能不能用轻量骨干 + 显式不确定性建模，让生成式策略在长程执行中“自己知道自己哪里不可靠”，并只修正这些地方？

四、方法详解（核心章节）

4.1 先复习：条件流匹配怎么工作

流匹配把“生成动作”变成一个“搬运”问题：从一个简单分布（高斯噪声）出发，学一个速度场，把噪声一步步“搬”到专家动作分布上。具体地，给定真实动作 a 和噪声 z，定义插值路径：

x_t = (1 − t) · a + t · z，t ∈ [0,1]

t=0 时是真实动作，t=1 时是纯噪声。这条路径的解析速度场是 v(x_t) = z − a。模型学一个条件速度场 v̂_t = f_θ(x_t, s, t)，s 是多模态条件（图像、状态、语言），训练目标是让 v̂ 逼近 v。推理时从噪声出发沿学到的速度场积分（论文用 70 步），得到动作序列。

4.2 整体架构一览

SUREFlow 的输入是：双视角 RGB 图（主视角 + 手眼相机）+ 机器人关节/夹爪状态 + 语言指令。整体架构如下（论文 Fig. 2）：

图 1：SUREFlow 整体架构（论文 Fig. 2，图片提取自 arXiv 原文）

4.2.1 架构图解：从左到右逐块看

这张图信息量很大，我们按数据的流动方向逐块读：

输入端（最左）：双视角 RGB（主视角 I¹ + 手眼相机 I²）、机器人状态 s（关节 + 夹爪）、语言指令 g。

编码器：每个视角一个 ResNet-18（带 GroupNorm）输出 256 维视觉 token；状态做线性投影；语言用 CLIP ViT-B/32 编码成固定任务 embedding e。

时间嵌入：流时间 t 经正弦频率嵌入 + 两层 MLP 得到 ϕ(t)，告诉网络“现在走到噪声→动作这条路的哪一步”。

统一 token 序列：把 [ϕ(t), e, 两个视觉 token, 状态 token, 当前动作 token x_t] 拼成序列，喂给骨干。

Mamba 骨干（中间大块）：L=5 层选择性状态空间模型（隐藏 256），负责跨 token 的时序建模；FCM 沿层注入流时间做仿射调制（图中调制箭头）。

MGAD（右上）：动作 token 作为 10 个可学习 query，对骨干输出的多模态记忆做单层交叉注意力，得到精化后的动作特征。

输出头（右侧两个头）：速度头 f_v 预测动作速度场 v̂，不确定性头 f_s 并行预测对数方差 ŝ（即 log σ²）——这是 URFlow 的原料。

图下方的训练/推理回路：训练时用“流匹配损失 + 不确定性加权损失”联合优化；推理时从高斯噪声沿速度场积分 70 步生成动作序列，再在 t=0 处按不确定性掩码做 K 步内部精修（下一节详讲）。

4.3 FCM：把“时间”注入每一层

光把时间 token 拼进去还不够。FCM（Flow Conditioned Modulation）从时间嵌入 ϕ(t) 提取条件向量 c，学习两组线性投影生成缩放 γ 和偏移 β，对中间特征做仿射调制：

FCM(U, ϕ(t)) = U ⊙ (1 + γ) + β

关键细节：γ、β 初始化全零，所以网络一开始等价于恒等映射，训练稳定。FCM 应用到状态 token、动作 token、解码后的动作特征（可选任务 embedding）上，让网络对“现在走到概率路径的哪一步”保持感知。

4.4 MGAD：让动作 token 学会“查记忆”

MGAD（Memory-Guided Action Decoder）的直觉：动作预测不应该只靠动作 token 自己闷头算，而应该去“翻阅”整个多模态上下文（视觉、状态、任务记忆）。

10 个可学习动作查询（action queries），一层 4 头自注意力 + 交叉注意力（头维 64），再接 2 层 FFN（隐藏 512）+ LayerNorm。

相比完整 Transformer 解码器，这是单步轻量交叉注意力，几乎没有增加参数量（约 +0.3M）。

隐藏收益（消融里会看到）：MGAD 让不确定性估计收敛更快、范围更稳定，避免模型“过度自信”。

4.5 URFlow：本文的灵魂——不确定性感知的残差流

URFlow 分训练和推理两段，思路非常干净。

训练：把残差当成“异方差”来拟合

模型在预测速度 v̂_t 的同时，用一个独立线性头预测不确定性的对数方差 ŝ_t（即 log σ²）。定义残差 r_t = v̂_t − v_t。训练总损失：

L = L_FM + λ_u · L_u，其中 L_u = ||r_t||² / exp(ŝ_t) + ŝ_t

这个形式来自经典的异方差回归（Kendall & Gal）。它的巧妙之处：

如果某维度残差大，模型会被惩罚去增大 ŝ_t（承认“我不确定”），而不是硬着头皮把残差压小；

exp(ŝ_t) 保证方差为正，对数形式数值稳定；

λ_u = 0.001 是精心调过的权重——太大（0.05）会喧宾夺主，性能反而掉到 0.79（后文敏感性分析）。

推理：不做环境反馈的“内部闭环”精修

推理时，URFlow 对生成的动作序列做一次纯内部的、确定性的精修：

整个过程不接触环境、不需要奖励或真值，完全在模型内部完成——这正是它名字里“Residual（残差）”的含义：把速度场预测的残差当成修正信号，朝着真实速度场的方向“拽”一步。

图 2：URFlow 推理期“内部闭环”精修流程（论文 Fig. 1）

图 2 把推理精修画得很直观：先生成动作序列 a；然后在 t=0 处评估每个维度的不确定性 ŝ₀，超过阈值 τ 的维度进入掩码 M；最后只对掩码里的维度执行 a_i ← a_i − η·v̂₀,ᵢ，重复 K 次。左侧是“闭式循环”——输出会回到输入再评估，但全程在模型内部，不碰环境。

为什么这套机制能work？长程开环执行最大的敌人是误差累积。URFlow 等于给生成结果加了一个“自查自纠”环节：先问模型“我哪些维度没把握”，再只改这些维度。注意是按维度选择精修，而不是整条动作统一缩放——这是它比简单后处理更细腻的地方。

五、实验结果详解

5.1 LIBERO：四套任务平均 92.5%，比同骨干的 MaIL 高 34.2 个百分点

两点解读：第一，MaIL 也是 Mamba 骨干，但只有 58.3%——说明增益主要来自 URFlow 的不确定性建模，而不是换了个骨干；第二，Long 套件（长程）92.2% 是全场最高，恰好命中论文想解决的“长程误差累积”痛点。

5.2 Meta-World：难任务提升最明显，平均 88.32%

注意 Hard 列：Diffusion Policy 只有 9.0、TinyVLA-H 只有 11.4，SUREFlow 做到 86.1。难度越高提升越大，说明不确定性精修在“复杂、易出错”的动作上最有价值。

5.3 LIBERO-PRO：分布偏移下追平 3–7B 大模型

LIBERO-PRO 对物体、语义、任务、环境做扰动，测的是“换了个场景还认不认识”，比普通 LIBERO 更能反映泛化。0.49 与 7B 的 OpenVLA（0.52）、3B 的 π0.5（0.53）基本同档，参数量却只有它们的 1/20 到 1/40。

一个诚实的数据细节：在“位置扰动”和“任务扰动”两类下，几乎所有模型（包括 7B）都接近 0——说明这类扰动确实难，基准本身也有盲区；SUREFlow 的分数主要来自语义和环境扰动的稳定表现。

5.4 消融：URFlow 是单模块增益最大的，MGAD 负责“校准”

读表要点：① 单模块看，URFlow 增益最大（0.72→0.81）；② MGAD 单独看只有 0.77，但和 URFlow 搭配到 0.91——因为它解决的是“不确定性校准”：论文的图 4(d) 显示，没有 MGAD 时模型的不确定性预测更极端（过度自信），有了 MGAD 才收敛快、范围稳；③ 完整模型 0.92，且参数量、FLOPs 几乎没变——提升来自建模质量而不是堆规模。

5.5 敏感性：三个超参的甜点区

这组实验说明 URFlow 不是“有就行”，而是“要校准”：不确定性权重、精修深度、触发阈值都需要配平，配平好了才能在长程任务里又稳又不矫枉过正。

5.6 长程稳定性：开环 rollout 越长，URFlow 的优势越大

论文在 LIBERO Long 上对比了“有 URFlow / 无 URFlow”随 rollout 步数增加的成功率曲线：无 URFlow 时成功率随步数快速下滑且波动大；有 URFlow 时下降更平缓、更稳定。这正是对“误差累积”痛点的直接回应——URFlow 等于在每轮生成后把不可靠的维度往回拽，抵消了一部分积分误差。

5.7 真机验证：Franka 上做“颜色匹配插杯”，平均 88.5%

硬件：Franka Emika 七轴臂 + 平行夹爪 + Intel RealSense D405 RGB-D 相机，推理跑在 RTX 4090 上。任务：桌上 3 种颜色共 6 个杯子，机器人要①选定一个杯子 ②识别同色配对 ③把抓起的杯子插到同色杯上——要求颜色辨别、稳定抓取、精确对位三件事同时做对。

结果：每色 20 次 rollout（共 60 次），平均成功率 88.5%，在真实感知噪声和微小位姿偏差下稳定完成。说明不确定性精修不只是仿真里的“数字游戏”，在真实环境同样有帮助。

六、深度解读：这套设计到底妙在哪？

6.1 把“错误”变成“信息”，而不是一味消除

多数策略训练把残差一律当成“要压到零的错误”。URFlow 换了个视角：残差里包含任务难度和数据的真实不确定性，与其假装它不存在，不如显式建模它。这个哲学和贝叶斯/异方差回归一脉相承，但落在生成式机器人策略上还是首次（论文声称）。

6.2 “内部闭环”是轻量模型的作弊码

大模型靠海量参数记住更多场景，小模型没这个资本。URFlow 提供了一条不需要参数的补偿路径：推理时多做几轮“自查自纠”。等价地看，a ← a − η·v̂_0 就是在动作空间做一步梯度式修正，代价只有几次前向，却把长程稳定性显著拉高——这是“用算力换参数”的典型做法，对边缘部署特别友好。

6.3 效率账：179M 意味着什么

训练：单张 RTX 4090、300 epoch、batch 256 就能复现；推理：6.85G FLOPs，比 7B 级模型低一到两个数量级。对实验室和中小团队来说，“能跑得起、能复现”本身就是巨大价值——这也是它一开源就值得跟的原因。

6.4 一个容易被忽略的点：MGAD 是给 URFlow 打工的

只看消融表容易觉得 MGAD“没什么用”（单独 0.77）。但组合实验和不确定性曲线说明，MGAD 真正的作用是让不确定性头学会“什么时候该说不确定”——校准是精修有效的前提。这个“配角组件成就主角组件”的结构，值得在复现时单独验证。

七、局限性与值得存疑的地方（诚实版）

真机实验规模小：只有一个桌面任务（插杯）、60 次 rollout，且没有在真机上对比其他基线。真机泛化到复杂场景的证据仍然有限。

动作空间只有 7 维：LIBERO / Meta-World / Franka 都是 7 轴操作。双机械臂、灵巧手、移动操作等更高自由度场景没有验证，不确定性头的“逐维精修”在高维下是否仍有效是开放问题。

语言理解偏弱：用的是 CLIP 文本编码器而不是大语言模型，复杂指令、长指令的语义能力有限；LIBERO 的指令相对模板化，掩盖了这部分差距。

LIBERO-PRO 的分数构成要看清：位置/任务扰动下所有模型都接近 0，SUREFlow 的 0.49 主要来自语义与环境扰动——它追平的是大模型，但离“真泛化”还有距离。

精修超参需要调：τ、K、η 都是人工设定，K=5 反而下降说明“精修过头”有害；目前没有学出来的自适应停止条件。

没有大规模预训练：SUREFlow 从零训练，没有 OpenVLA/π0.5 那样的互联网级预训练，开放世界零样本泛化尚未被证明。

八、复现指南（基于官方仓库）

环境：Python 3.10 + PyTorch（推荐 CUDA 12.1+），仓库自带 Mamba 块的参考实现（SUREFlow/mamba/），不用单独装 Mamba 库。

训练：python run.py --train_suite libero_spatial（支持 libero_object / libero_spatial / libero_goal / libero_90 / libero_10）。

评测（普通 LIBERO）：python run.py --train_suite libero_spatial --checkpoint_path /path/to/ckpt.pth。

评测（LIBERO-PRO）：加 --eval_suite object（可选 swap / lan / task / temp）——训练集与评测集解耦，模型只在标准套件上训练。

复现建议：先跑 LIBERO-Spatial 确认基线，再开 --eval_suite object 验证鲁棒性；如果想验证 URFlow 的贡献，可以临时把不确定性头或推理精修关掉对比成功率曲线。

九、结语：这篇论文在回答什么大问题？

具身智能现在有两条路线：一条是“把模型做大”（OpenVLA、π0.5 的路线），一条是“把模型做小但做聪明”。SUREFlow 属于后者，而且给出了一个非常自洽的答案：轻量骨干负责效率，不确定性建模负责鲁棒，推理期精修负责长程稳定。

它未必是最终答案——真机证据薄弱、动作空间有限、语言能力一般，都是硬伤——但它把“不确定性”这个长期被忽视的维度，做成了可训练、可推理、可复现的完整闭环。对资源有限的团队来说，这是一条值得认真跟的路线。

小编结语：读论文最重要的是建立“评估坐标系”：小模型能不能打，关键看三点——骨干效率、不确定性的校准质量、以及推理期有没有低成本的纠错机制。SUREFlow 三样都占，所以它“以小博大”的成绩是有逻辑支撑的，不是刷出来的。

原文链接: https://www.leiphone.com/category/private/MmZ7qLoYhbM84tVL.html