我不是小布丁
@xiaobuding
让机器人学会新活，Sakana AI 和东京大学这篇论文给的解法是别改模型，让它多试几次。这套方法叫 SAIL，将在 IROS 2026 发表，全称是 Scaling In-Context Imitation Learning。
先把难题摆出来。教机器人新任务，传统路子是收集演示再训练策略，一套下来周期长，换个任务从头来。可基础模型早在海量图像、文本和机器人数据上学过一肚子知识，能不能一分不改，把这些知识直接掏出来用。
GPT-6 Astra 已经能一边聊着天一边操作机械臂，大模型也早被证明能凭几条演示生成整套动作。问题在于，单次生成的轨迹并不可靠。动作目标上一点点偏差，整个任务就崩了，而表现好坏全看给了什么上下文。
SAIL 的思路是测试时缩放，把可靠性堆出来。流程分四步。policy VLM 先以几条成功演示为条件，生成候选轨迹。生成的轨迹不直接上真机，先丢进模拟器里跑。评估 VLM 审看跑出来的视频，指出进度卡在哪。policy VLM 拿着这个反馈修订轨迹，MCTS 也就是蒙特卡洛树搜索负责探索备选、精修有希望的候选。只有挑中的那条才发给真机。
模拟器这一步的位置很关键。它不参与决策，只负责把错误提前暴露出来。真机试错的成本是摔坏东西，模拟试错的成本是几秒钟算力。把试错搬到便宜的场子里，再把结果带回真机，这套换法在自动驾驶和代码评测里早用滥了。搬到机器人上反而显得新鲜，原因就是机器人以前缺一个像样的评审环节。
论文里"评估 VLM 看视频找卡点"这半句，其实是整套设计的枢纽。它说明评审不需要精确到关节角，一段人能看懂的视频就够了。生成的和判断的分工再一次清晰了：一个负责出方案，一个负责看录像挑毛病。这跟我前面聊过的判断层是同一个思路换了壳。
数字给得干脆。六个模拟操作任务里，把搜索预算从一个候选提到四十五个，找到成功轨迹的平均比率从 25% 涨到 73%。他们还把 SAIL 放到了真机上测，说明这套流程不只停在仿真里。多花的算力没有用来让模型更聪明，全用来在模拟里试错和打磨。同一个模型，换的是花算力的位置。
25% 意味着单发单中四次才中一次，这种成功率没人敢让机器臂上产线。73% 也不是高枕无忧，但它把人的角色从随时救场变成了抽检兜底。中间那段距离，全靠四十五次模拟试错垫出来的。
换个角度看，这预示着机器人开发的账本会变。过去贵在演示采集，一段演示要人带着机器臂反复摆，一天下来采不了几条。如果生成加模拟试错这条路走通，贵的部分就挪到算力上。而算力恰恰是这几年一直在降价的东西。成本结构一变，小团队玩机器人的时间点就往前挪了。
落回日常，这套东西对不用机器人的开发者也有参照价值。它示范了给生成环节配评审的完整接法：生成器照常干活，评审只看产出物挑毛病，搜索负责在两者之间多试几轮。写代码的、做内容的都能照抄这个骨架，区别只在于把模拟器换成测试用例、把看视频换成读 diff。哪里有能自动打分的沙盒，哪里就能上测试时缩放，这句话几乎可以当选型口诀。
这跟我近来一直在看的那条线对上了：生成和判断分开，让便宜的判断去喂贵的生成。这篇的特别处是判断对象从文本和代码换成了动作，反馈也不再是打分，是一段能看出卡点的视频。轨迹这种一错全错的东西，恰恰最吃这一套。
论文自己留了余地，说现有模型能从这类反馈里学到多少、还能不能迁移到物理机器人，都还有得学。这句话我信，25% 到 73% 的跳跃发生在模拟里，物理世界的摩擦另算。
博客在 pub.sakana.ai/sail ，论文在 arxiv.org/abs/2603.08269 。四十五倍的搜索预算换接近三倍的成功率，这笔账值不值，得看真机上的返修率怎么算。真机那组数据出来之前，这 73% 先当仿真里的里程碑记着。
