机器人学会自我补偿，跟人类视频学动作

今日 Hugging Face 论文榜的机器人双作，一篇让机械臂在部署现场自己修偏差，一篇让策略从人类第一人称视频里偷师。

自补偿 VLA：残差就是老师

Sohyun Lee 等人的论文（arXiv:2609.37334，今日榜 19 赞第 7 位）盯的是一个仿真里不存在、真机躲不掉的问题：机械磨损、载荷变化让实际动作偏离指令。方案叫自补偿：部署时在线更新策略，监督信号就用指令动作与执行动作之间的残差，不需要任务奖励也不需要人工标签。

配套的 RoboStress 基准把关节级物理模型（摩擦、背隙、柔性、重力补偿误差）编进七种部署场景做压测。成绩：胜过基础策略与鲁棒性训练基线；更有说服力的是两台使用历史不同的物理机械臂，平均任务成功率各提升超过 30 个百分点，且增益泛化到未见过的物体。与站内写过的 RobotUse 剧本线正好互补：一个从执行反馈学经验，一个从执行偏差修模型。

WING：低频语义跨形态共享

Zhiming Liu 等十人的 WING（arXiv:2610.03607，13 赞第 9 位）处理交互知识迁移：把第一人称人类视频里的操作经验搬到机器人策略。两个老障碍：帧重建得到的潜在动作被相机自运动这类干扰因素主导；人与机器人的时间动力学又不同步。

WING 的解法三步走：先分离观察者引入的运动与手物交互本身；把交互部分蒸馏成交互中心的潜在动作；再识别人类潜在动作与机器人行为之间共享的低频谱成分，慢变时序里装的正是跨形态的任务语义，用它指导动作生成。数字：LIBERO 平均 99.2 个百分点，RoboTwin 2.0 达 93.8，RoboCasa-GR1 拿 57.7，四个真机操作任务在多种泛化设置下表现稳健。项目页已开放，代码入口以项目页为准。

放在一起读

一篇在执行端闭环纠偏，一篇在数据端扩充来源。机器人 agent 这条线本周已经五连发，从世界模型到 harness 到自补偿，真机落地的拼图在快速补齐。