压制持续，局部性脆弱：VLA 策略中任务向量否定的闭环目标与控制审计

任务向量算术提供了一种修改模型的闭式方法，但其行为局部性在闭环机器人控制中仍不清楚。我们提出了从多任务视觉语言动作（VLA）策略中减去每技能任务向量的目标和控制审计。在所有 10 种 LIBERO-Goal 技能中，减法产生了三种性质不同的机制：五种技能的目标控制分离，三种技能的抵抗，两种技能的全局崩溃。在保留的初始状态下，五个可抑制目标的成功率仍为 0%；然而，平均基线归一化对照保留率仅为 52%，并且每个目标抑制编辑都会对至少一个名义上不相关的对照造成实质性损害。其他目标面板显示了具有连续回归、离散词元和流程匹配操作头的测试策略之间的分离，而我们在测试的对象和长视野面板上观察到空间和控制崩溃没有明显的分离。平均任务向量余弦不考虑这种变化。匹配范数控制识别围绕一个目标锚点的局部符号不对称性，而多向量结果随锚点和尺度而变化。保留感知梯度基线提供依赖于数据的比较器，但需要移除时间数据和优化；假设预先计算了专家增量，减法仅在编辑时不受数据和梯度影响。最后，单一技能再学习探测与行为掩蔽一致，而不是经过认证的取消学习。这些结果将任务向量减法描述为一种快速但脆弱的干预措施，并强调在评估具体模型编辑中的局部性时需要进行闭环目标和控制评估。