预算受限的具身感知：四堵资源墙与对31B以下开源模型上访问结构化感知的预注册评估

具身多模态智能体必须在固定的每次决策token预算下，从不断增长的观测流中回答问题。我们通过四堵资源墙来形式化这一约束：针对有界状态的感知香农墙（perceptual Shannon wall）、针对与查询无关帧选择的视界墙（horizon wall）、针对非自适应检索的轮次墙（round wall），以及针对固定深度推理的条件组合墙（conditional composition wall）。我们提出ASP，一个面向冻结多模态模型的无训练包装器，它结合了封顶的结构化状态、逐字情景索引，以及带迭代访问的查询条件预算分配。我们遵循预注册协议，在SEW-Bench上评估了从3B到31B的七个开源权重模型；SEW-Bench是一个为实例化这些墙而构建的免许可合成长视界漫游基准。注册的自然视频基准因帧需要数据集协议而未运行；因此我们的证据涉及访问机制，而非自然场景感知。在4,096-token决策预算下，ASP达到75%至94%的情景检索准确率，而等预算的查询无关采样仅为3%至19%，且在每个骨干模型上，预算重分配都优于将采样预算翻四倍。然而，完整的三组件架构未能验证通道对偶性：移除压缩状态使旗舰均值从35.4提升到58.0，ASP在任何骨干模型上都不优于仅逐字基线，且四个预注册证伪标准中有两个被触发。这些结果表明，在固定预算下，起决定作用的是查询条件访问，而非参数量或上下文增长本身；而在此设置中，提示式在线压缩并不值得其成本。