FORGE-plus：使用冻结的 LLM Supervisor 对接触丰富的装配进行强制预算恢复

力调节强化学习 (RL) 可以在受控力上限下实现紧密间隙组装，但实际部署需要为每个对象确定适当的力限制，并在不超过该限制的情况下从插入失败中恢复。我们提出了一个两层框架，其中冻结的纯文本 大语言模型 (LLM) 在执行前分配每个对象的力上限，并使用紧凑的文本力签名从固定操作菜单中选择恢复操作。 LLM从不直接控制力：底层控制器强制执行力上限，恢复策略无法增加它，并且隐藏的断裂力阈值只有评估者知道。我们使用两个夹具（Robotiq 2F-140 和 Franka Panda 手）评估易碎瓶子放置和 0.4 mm 直径间隙齿轮插入的框架。单个策略在易碎和坚固的物体上通过了 256/256 次评估，没有破损，正确预测了释放时间，并以 5.4 N 的平均峰值力完成了完整的工作台拾取和插入流程。在注入的抓握滑动下，力签名恢复策略解决了两个夹具上 40% 和 64% 的故障，而压力较大的基线要么无效，要么导致频繁破损。我们还报告了负面结果，包括 PPO 在严格的力量约束下未能解决任务以及不成功的学习释放策略。所有实验均在刚体模拟中进行，具有隐藏的力阈值破坏；没有做出模拟真实的声明。