极智嘉发布Gravity Control：用自然语言在推理阶段纠偏具身策略

端到端具身策略最怕一件事：宏观指令对了，微观动作偏了——抓深一点、腕关节再翻一点，这类参数很难再用一句“把面包放进盘子”说清楚。极智嘉10月21日发布的Gravity Control，试图把纠偏从“重新采集数据再训练”改成“推理阶段的因果干预”。

官方描述的机制要点：

1. 从端到端模型内部挖掘与动作调控相关的因果表征，建立“概念可解释+行为可控制”闭环。
2. 形式化概念属性链，并构建语言引导的动作调节链路；操作者可用自然语言提示（如抓取得更深、更低）激活并微调深层运动特征。
3. 不绑定单一VLA架构，宣称可接入π0.5、OpenVLA-OFT等代表性策略；在LIBERO仿真与真机平台评估。
4. 关键口径：不更新原始策略权重、不新增示教数据的前提下，横放面包等分布外失败任务整体成功率由17.5%升至87.5%，单项设置由5%升至95%。

更进一步的设想是把Gravity Control接到上层Agent：由系统自动完成检测—诊断—纠正，并把成功干预沉淀为可复用Skill，降低对人工“盯梢”的依赖。这对仓储分拣等已规模化落地的机器人场景尤其敏感——产线最怕的不是偶发失败，而是失败后只能停机等人重标数据。

需要划清边界：上述成功率为公司在特定OOD任务与设置下的测试结果，不能直接外推到全部工业工序；自然语言干预仍涉及权限、安全联锁与误指令风险，量产部署需与现场安全规范对齐。本条依据公司公开材料整理。

一句话收尾：当策略模型已经“会做”但“做错一点”，Gravity Control赌的是运行时改刀法，而不是整炉重炼。