论文导读
Scale AI、Hugging Face、南加州大学、斯坦福大学等机构联合提出新方法，把双臂机器人的长任务拆成可预测的下一步，并公开4万多段密集标注轨迹。新策略在论文设定的空间消歧任务中把成功率从32%提高到100%，还把未见长任务的成功率从16%提高到76%。
不只告诉机器人最终目标
很多机器人数据只给一条总指令，例如“收好桌面”，却不标出先抓杯子、再开柜门、最后放入物品的中间步骤。FineART收集40,543段双臂轨迹、1,718小时数据，覆盖151类任务，并把动作进一步标成533,913个子任务。这样训练时，模型不仅模仿手臂轨迹，还要判断当前画面之后最该做什么。
图：总览图列出七类双臂操作及轨迹、任务和子任务规模。
论文的核心不是把长动作简单切片，而是让子任务描述与双臂协作、物体状态和时间位置对应。对真实部署来说，这类标注能把失败定位到“判断错下一步”还是“动作没执行好”，也为人在关键节点给出一句提示留下接口。
模型先报下一步再动手
FineART-VLA先根据图像和语言预测下一子任务，再生成双臂动作。团队把这种能力放在中期训练阶段，让模型先学会任务结构，再适配具体机器人。空间消歧实验里，基线会被相似位置或物体迷惑；加入细粒度子任务监督后，成功率由32.0%升至100.0%。这个100%只对应论文规定的消歧任务，不代表所有双臂操作都已解决。
图：连续画面记录双臂机器人完成杯子操作的动作过程。
面对训练时没见过的长任务，逐步提供人工子任务提示后，成功率从16.0%升到76.0%。这说明高层提示能在机器人走偏前把它拉回正确步骤，也说明当前系统在完全自主规划长流程上仍有提升空间。
换机器人只用十分之一数据
团队还把策略迁移到新硬件。经过少量微调，所需数据约为没有中期训练基线的十分之一，并能在新机器人上零样本完成部分全新任务。这里的零样本指论文实验里的任务组合，不等于面对任意物体、任意家庭环境都能直接工作。
图：时间线把一段长操作拆成可监督的多个子任务阶段。
从数据工程角度看，价值在于把一次昂贵采集变成可复用的任务知识。相同子任务可以跨场景组合，新硬件只需补足控制差异，而不用从头录制所有长流程。
从数据集走向可维护机器人
FineART已公开数据、模型权重和训练代码，便于实验室复现子任务预测与硬件迁移。下一步应把遮挡、物体滑落、双臂冲突和人工提示次数纳入统一评测，并记录模型在多次重复执行中的稳定性。
如果子任务预测能与安全检查、失败恢复和人类接管结合，仓储分拣、实验室操作与家庭整理就能从单个演示升级为可追踪的工作流。更重要的是，工程团队可以修改某一步而不是重训整套策略，让机器人技能像软件流程一样持续维护。
