本文是政策侧接口这篇长文的下半部分。前篇 《契约立起来之后：VLA、Diffusion Policy、π0 到底在消费什么》 建立 framework——Consumer Contract 三段分解 $\mathcal C_\pi=(Q_\pi,\mathcal O_\pi,V_\pi)$、三档 preservation、三个 semantic losses + 一个 safety obligation、四种 interface-mismatch 失败模式、三族 contract-read primitives。本文回答它的对偶问题：给定这些框架、policy 侧要"如何测、如何训、如何落地"。
一句话承接：Contract compliance should be tested by controlled intervention, not inferred from end-to-end success——端到端 success 衡量 policy 好不好用、不衡量它有没有把 contract 语义读对。合规 argument 需要四类证据合流（semantic / representation / decision / safety）、需要一条 oracle baseline 界定每个指标的语义范围、需要明确的 retraining protocol。这一句在前篇 §0.3 是 Claim 3、在本文是主 thesis。
本文不重复前篇的完整 framework 推导。所有 $\mathcal C_\pi / q_\pi / \Pi_\pi / \pi_\theta / g_{\mathrm{safety}}$、三档 preservation、$Y_{\mathcal C}^{\pi}$、$L_{\mathrm{declared}} / L_{\mathrm{projection}} / L_{\mathrm{decision}}$ 与 $\mathcal O_{\mathrm{safety}}$ 的定义都在前篇 §0；本文只保留评估与实现所需的最小回顾，并在 §0.2 用一张 boxed pipeline 图钉住引用点。
0. 本文框架：四类 compliance evidence、五层 evaluation hierarchy、一个最小可执行接口
0.1 与前篇的分工
前篇（9/15）建立的是 policy 侧接口的语义层——它回答"policy 到底在消费什么、现有接口为什么不行"。本文（9/16）建立的是 policy 侧接口的度量层与实现层——它回答三个具体问题：
- 如何测：给定一个 policy checkpoint，你用什么协议判断它是否 contract-compliant？（§2 四类 compliance evidence + §2.0 理论骨架表 + 五层 evaluation hierarchy）
- 如何训：为了让 policy 真的读 contract，训练目标、augmentation、safety filter 各要改什么？（§1 训练时连锁后果）
- 如何落地：一个最小可执行的 contract-aware policy 骨架长什么样、接口层的 bug 一般藏在哪？（§3 Python skeleton + fail-closed + top-$k$ API 拆分 +
benchmark_rng）
三块合起来构成**“policy 是 contract consumer"这一 thesis 的实验闭环**——前篇立 claim、本文兑现 claim。
0.2 复用前篇 pipeline，作为本文的评估坐标系
$$\boxed{\;\mathcal C\;\longrightarrow\;(\mathcal C_\pi,\,Q_{\mathcal C_\pi})\;\longrightarrow\;q_\pi\;\longrightarrow\;e_\pi\;\longrightarrow\;\pi_\theta\;\longrightarrow\;g_{\mathrm{safety}}\;\longrightarrow\;\mathcal B_{\mathcal C}\;}$$其中 $\mathcal C_\pi=(Q_\pi,\mathcal O_\pi,V_\pi)$ 是 Consumer Contract 三段分解（Queries / Obligations / Versions）、$\mathcal B_{\mathcal C}$ 是 contract 侧干预 battery $\{T_{\mathrm{frame}},T_{\mathrm{hyp}},T_{\alpha},T_{\mathrm{validity}},T_{\mathrm{prov}},T_{\mathrm{neg}}\}$。前篇 §0.2 给出 $q_\pi / \Pi_\pi / \pi_\theta$ 上三个 semantic loss 与 $g_{\mathrm{safety}}$ 上一个 safety obligation 的完整定义；本文只用最小回顾：
- $L_{\mathrm{declared}} = \sum_{q\in Q_{\mathcal C}^{\mathrm{req}}} w_q\,\mathbf 1[\nexists q'\in Q_{\mathcal C_\pi}:q'\succeq q]$（query subsumption coverage、不是字面集合成员、详见前篇 §0.2.2）
- $L_{\mathrm{projection}} = I(Y_{\mathcal C}^{\pi};\hat S\mid Z_\pi,O,L)$（$Y_{\mathcal C}^{\pi}$ 由 Consumer Contract 定义、不是 benchmark 里凭空的 latent、详见前篇 §0.2.1）
- $L_{\mathrm{decision}} = \mathbb E_{\mathcal R_{\mathcal D}}[\mathbf 1[D_{\mathcal A}(\pi_\theta(\cdot\mid\hat S),\pi_\theta(\cdot\mid\hat S'))<\epsilon]]$（action-relevant pair 的 collapse rate、$D_{\mathcal A}$ 与 §2.2 HSS 同族）
- $\mathcal O_{\mathrm{safety}}$：safe → relaxation permitted（not required）；unsafe → tighten or stop；unknown → conservative fallback；$g_{\mathrm{safety}}=\bigcap_j g_j$。
三个 loss + 一个 obligation 是四个 separately auditable failure sites、不是四个 statistically independent losses——它们通过 $q_\pi\to\Pi_\pi\to\pi_\theta$ 顺序耦合。这一点前篇 §0.2.2 已完整讨论、本文所有 evidence 章节都遵循这个措辞。
0.3 本文的三条 boxed claim
Claim A · Compliance is a multi-evidence argument, not a score. Contract compliance 需要 §2 的四种 compliance evidence合流——$E_{\mathrm{semantic}}$（invariance / equivariance）+ $E_{\mathrm{representation}}$（conditional probe + $E_{\mathrm{contract}}(T^{\mathrm{contract}})$ + HPC($T^{\mathrm{world}}$) + HSS + calibration）+ $E_{\mathrm{decision}}$（CAG$^{\mathrm{fixed}}$ + oracle baseline + matched null + 三条 independent source ablation）+ $E_{\mathrm{safety}}$（三态 constraint certification intervention）——probe ≠ semantic compliance、CAG ≠ semantic compliance、safety pass ≠ representation retention。四类证据不能互相顶替、也不能压成一个 scalar。
Claim B · Evaluation layers do not imply each other. §2.0 的五层 hierarchy Retention ≠ Sufficiency ≠ Behavioral use ≠ Utility ≠ Safety：Retention 通过不蕴含 Sufficiency（信息在可能也不足以回答 query）、Sufficiency 通过不蕴含 Behavioral use（够信息 policy 可能不用）、Behavioral use 通过不蕴含 Utility（响应对了 utility 仍可能差、因为 contract 未必是当前瓶颈）、Utility 与 Safety 完全正交。这四条"不蕴含"关系是 §2.2 拆 $E_{\mathrm{contract}}$ / HPC、§2.5 拆 CAG fixed / retrained、§2.6 拆 constraint certification intervention 的根本动机。
Claim C · The interface is where the bugs hide, not the architecture. §3 的 Python 骨架 v6 集中修了三个真实在 contract-aware 接口层反复出现的 bug：
super().__init__()缺失导致nn.Module子参数没被注册、fail-open 的 schema 兼容检查让 version mismatch 静默降级、top-$k$ API 把两种正交决策（weight mode / residual mode）揉成一个字符串。这三处都不是模型架构问题、都是接口层问题——与本文主 thesis 完全一致：policy 是 contract consumer、不是仅仅是 function approximator。
0.4 阅读路径
- 只关心怎么评：读 §2（骨架表 + 五层 hierarchy + 四类 evidence）、§2.5 CAG matched null 是防"OOD sensitivity 冒充 contract-use"的关键。
- 只关心怎么训：读 §1（三类 intervention consistency + degradation-as-operator augmentation + 三态 safety filter）。
- 只关心怎么落地：读 §3（Python skeleton + fail-closed + top-$k$ API 拆分 +
benchmark_rngCRN）。 - 想看全文如何闭环：读 §0.2 一张 boxed pipeline 图 + §2.0 两张表（loss/obligation 落站点 + evidence 落五层）+ §4 收束。
1. 训练时连锁改动：训练约束、augmentation、safety filter 三处接口
一旦 policy 输入端接了 前篇 §4 的 primitives、训练目标、augmentation、safety filter、evaluation 四处都要跟着改。接口不是免费的——但改动是局部的、可控的。
§1 与 前篇 §4 的桥接（v6 显式化）：前篇 §4 的三族 primitives 是读出侧的契约不变性——“contract 语义在 $\Pi_\pi$ 层不被无声破坏”；本文 §1 的三处改动是训练侧的对应物——“policy 在 contract 变换下的响应满足同一族 $\mathcal C_\pi$ 声明过的 relation”。契约不变性 = 增广不变性的对偶、二者是同一件事在 reader 与 trainer 两侧的两次翻译、不是两件独立工程。
| 前篇 §4 primitive | 读出侧的 contract 不变性 | §1 训练侧的对应 |
|---|---|---|
mode_select（§4.1） | hypothesis permutation invariance / equivariance | §1.1 类别 B Type I（exact invariance）+ §2.5 $\mathrm{collapse}_{\mathrm{hyp}}$（这一档是 evaluation-side collapse 算子、不在 §1.2 定义的 $T_d$ 六条 aug 集合里；若 benchmark 需要把 hypothesis collapse 也搬到训练侧、必须在 §1.2 显式补一档 $T_{\mathrm{hypcollapse}}$） |
age_gate（§4.2） | order-constrained staleness response（consumer-declared order） | §1.1 类别 B Type II（order-constrained）+ §1.2 $T^{\mathrm{stale}} / T^{\mathrm{latency}}$ aug |
provenance_harden / dependency_aware_fusion / negative_evidence_read（§4.3） | 不预设响应方向、只要求"removed evidence 若 decision-relevant 则 utility 应降” + safety 三态 | §1.1 类别 B Type III（unconstrained、训练侧不进 loss、只在 evaluation 侧 §2.4 拆三条 $\Delta J$）+ §1.2 $T^{\mathrm{missing}} / T^{\mathrm{bias}}$ + §1.3 三态 certification |
一句话读法：§1 不是"给训练加约束"、是"把 前篇 §4 的读法在 loss / aug / filter 三处翻译成工程实现"、每一行三列都是同一件事的三种写法。Type I/II/III 与 §4.1/§4.2/§4.3 的对应关系是本文 §1 与 §2 之间的结构性锚点——Type I 与 Type II 是训练侧真约束（写进 loss）、Type III 是训练侧无约束、只在 evaluation 侧 §2.4 出现（reviewer 抓过这一点、上一版把 Type III 也写成训练约束、其实 §1.1 的原文是"不做任何 intervention consistency、只在 evaluation 阶段做 ablation"）。这一区分保证 §1.1 的三档不是随意选的、而是被 前篇 §4 primitives 逼出来的、也保证 §2 的 evaluation 不会把训练侧没显式约束的内容当成有约束来验证训练合规性。
1.1 两类训练约束：representation-side probe + 三类 intervention consistency
一个自然的错误是：为了"让 policy 用 contract"、要求 policy 输出 validity / hypothesis 的预测头——这实际上是把"用 contract"偷换成了"复制 contract"、方向不对。policy 完全可以只吃 contract、不吐 contract——auxiliary prediction head 不是必要条件。
类别 A · Representation-side probe（诊断）
给 policy 的中间表示 $z^{\pi}$ 挂几个 probe head、尝试从 $z^{\pi}$ 预测 contract 里的 age、validity、observability、hypothesis posterior。这些 probe 不参与主 loss、只用来测：probe 预测得好、说明 policy 内部保留了这些信息；probe 预测得差、说明 contract 在 $e_\pi$ 里已经被压掉了。$L_{\mathrm{probe}}$ 可以以很小的权重加到主 loss 上作为 regularization、但它的诊断价值大于训练价值。
但 probe 有一个上一版没解决的漏洞——reviewer 抓得对：假设 $age$ 与 image embedding 高度相关（例如 “scene 越复杂、sensor 处理越慢、age 越大”）、那么 probe 从 $z_\pi$ 里可以很容易预测 age：
$$\mathrm{Acc}(\alpha\mid z_\pi) \;=\; 99\%.$$这并不证明 age 被 $e_\pi$ 保留了——完全可能只是 image 里的 scene difficulty 泄漏。正确的诊断应该用 conditional / nuisance-controlled probe：
$$\text{Retention}_{\mathrm{cond}}(\alpha) \;=\; I(\alpha;\, z_\pi \mid o),$$即在 raw observation $o$ 给定的条件下、$z_\pi$ 是否还独立地携带 age 信息；或者在 benchmark 里做"same observation, different metadata intervention"——固定 $o$、只改 $m_c$、看 $z_\pi$ 的响应。这与 前篇 §0.2.1 Property B 用 conditional MI 而不是差分 MI 的哲学一脉相承：凡是"raw input 里已经有 proxy"的字段、probe 都必须 conditional。
类别 B · Intervention-consistency constraint（核心）
上一版把这一类笼统写成 $D(\pi_\theta(\hat S), \pi_\theta(T_{\mathcal{C}}(\hat S)); \rho_{\mathcal{C}})$、reviewer 立刻问 $\rho_{\mathcal{C}}$ 从哪来——四种 $T_{\mathcal{C}}$ 各自的"响应规律"不一样、有一类甚至根本不该预设"必须响应"。这一版按响应强度把 intervention 分成三档。
Type I · Exact invariance / equivariance（最干净的一档）。变换在 policy input 上有一个合法的 action-side 对应 $T^{\mathcal{C}}_\pi$、要求：
$$\pi_\theta\!\big(T^{\mathcal{C}}(\hat S),\, o,\, \ell\big) \;=\; T^{\mathcal{C}}_\pi\!\big(\pi_\theta(\hat S,\, o,\, \ell)\big).$$典型：frame transform——把 reference_point 从 A 移到 B、$\tau$ 按 transport theorem 变换、要求 action 侧做对应的坐标变换（$\pi(T_g S) = T_g^A \pi(S)$）。类似：permutation of equivalent hypotheses（同 posterior weight 的 hypothesis 互换、action 分布必须等价）。这一档可以写成硬 loss、$\mathcal{L}_{\mathrm{consistency}}^{\mathrm{I}} = \|\pi_\theta(T\hat S) - T^\pi \pi_\theta(\hat S)\|^2$。
Type II · Order-constrained response（次强的一档、上一版叫 monotone response、这一版把它数学化）。“monotone” 不是随便就能用的词——只有当 $M(\cdot)$ 的值域上有偏序、并且 response functional 是明确定义的标量或全序时才能谈单调。上一版把 variance、action norm、fallback probability、covariance PSD 全塞进同一个 $\preceq$、reviewer 抓得对：这几种 $\preceq$ 根本不是同一个 order。
正确的提法是：先给出contract-declared intervention order $T_1 \preceq_{\mathcal C_\pi}^{\mathrm{declared}} T_2$（例如 “age 越大 = 越严重”、“observability 越低 = 越严重”、“validity 位为 false = 比 age 高更严重”——关键：这个 order 由 $\mathcal C_\pi$ 与 $Q_{\mathcal C_\pi}$ 声明、不是"客观物理 degradation order"。reviewer 举了一个非常锋利的反例：机器人静止时、vision age 从 10 ms 到 100 ms 对 action 完全无影响、“age 越大 = severity 越高"在这种任务下就不是天然成立的偏序——它必须由 consumer contract 显式声明、而不是从物理量猜出来。这也是 v6 把符号从 $\preceq_{\mathcal C}$ 改成 $\preceq_{\mathcal C_\pi}^{\mathrm{declared}}$ 的原因——上标 $\mathrm{declared}$、下标 $\mathcal C_\pi$ 都在提醒读者：order 属于 consumer 声明、不属于世界本身）。order 定了之后、再指定一个response functional
$$r:\mathcal P(\mathcal A) \;\longrightarrow\; \mathbb R$$（可以是 $P(\text{fallback})$、$\mathbb E[\|a\|]$、$P(\text{stop})$、$\mathbb E[\mathrm{safe\_margin}]$ 之类、每个是 scalar、有全序 $\le$）、然后要求：
$$T_1 \preceq_{\mathcal C_\pi}^{\mathrm{declared}} T_2 \quad\Longrightarrow\quad r\!\big(\pi_\theta(T_1\hat S)\big) \;\le\; r\!\big(\pi_\theta(T_2\hat S)\big).$$这才是严格意义的 monotonicity。举例：$r(\pi) = P_\pi(\text{fallback})$、$T_1$ = “age 从 5 ms 到 20 ms”、$T_2$ = “age 从 20 ms 到 200 ms”、则 $T_1 \preceq_{\mathcal C_\pi}^{\mathrm{declared}} T_2$ 且要求 $P_\pi(\text{fallback}\mid T_1) \le P_\pi(\text{fallback}\mid T_2)$。
但真实 policy 完全可能是分段的——
α < 50 ms → 正常控制
50 ms ≤ α < 100 ms → fallback
α ≥ 100 ms → stop
这种 response 不 monotone、但是合法的 contract-specified response relation。所以 Type II 的正确名字应该是 “order-constrained response"、monotonicity 只是它的一个特例。写成 loss 是：
$$\mathcal{L}_{\mathrm{consistency}}^{\mathrm{II}} \;=\; \sum_{T_1 \preceq_{\mathcal C_\pi}^{\mathrm{declared}} T_2} \max\!\big(0,\; r(\pi_\theta(T_1 \hat S)) - r(\pi_\theta(T_2 \hat S)) + \delta\big).$$$\delta$ 是 margin、$r$ 与 $\preceq_{\mathcal C_\pi}^{\mathrm{declared}}$ 都必须在 $\mathcal C_\pi$ 里写死、不能事后凑。
Type III · Unconstrained intervention（最弱、也最重要的一档）。不预设 policy 必须变化——典型是 provenance removal：拿掉一个 contributing sensor、若另一个 sensor 完全冗余替代、最优 action 可以完全不变。这一档的正确提法是：when the removed evidence was decision-relevant, does performance degrade? 也就是把它交给 §2 的 CAG 面板去测、而不是训练时强加响应规律。写成 loss 就是：不做任何 intervention consistency、只在 evaluation 阶段做 ablation。这一档存在本身是对上一版的一个纠正——上一版把四种 $T_{\mathcal{C}}$ 一视同仁地塞进"要求响应”、是把 Type III 错当成了 Type II。
这三类都不要求 policy 显式预测什么；它们要求的是响应函数符合 contract 语义档位、或者被允许符合"不变”。这才是 前篇 §0.2 “$q_\pi$ 是显式声明的 quotient” 定义的训练侧对应物。相比"加几个 auxiliary 预测头"、这套三类约束更贴合本文 thesis、也更有研究味：我们建议的不是让 policy 复制 contract、是让 policy 在 contract 变换下按对应的响应档位响应。
1.2 Augmentation：degradation as causal operator
9/14 §4.5 强调 masking ≠ missing ≠ staleness ≠ latency ≠ bias ≠ corruption——六种降级各有不同的因果起源与不同的下游读法。上一版试图给每类降级标"对应哪个 slot"、reviewer 抓得对：这种 one-to-one 映射过度简化。举个具体的：
- latency 的 primary effect 是抬 $\alpha_c$、但如果没有做 compensation、secondary effect 是让 $\mu_c$ 变成"延迟时刻的真实值"——同一份 augmentation 同时动了两个 slot。
- bias 的 primary effect 是 shift $\mu_c$、但 secondary effect 通常还包括 inflate $\Sigma_c$（因为系统意识到 calibration 不可信）、甚至 flip $v_c$。
- corruption 可能同时改 $\mu_c, \Sigma_c, v_c, h_c$ 四样。
- masking 的 primary effect 是 $\iota_c = 0$、secondary effect 是让下游 $q_c$ 变成 undefined、$\Sigma_c^{\mathrm{eff}}$ 必须回落到 prior。
这一版把每条降级改成一个 causal operator：
$$T_d:\;(\mu_c,\,\Sigma_c,\,m_c)\;\longmapsto\;(\mu_c',\,\Sigma_c',\,m_c'),\qquad d \in \{\text{mask},\,\text{missing},\,\text{stale},\,\text{latency},\,\text{bias},\,\text{corruption}\}.$$一句话原则：each degradation has a primary semantic effect and potentially secondary effects on other fields——aug pipeline 里必须逐条列出 $T_d$ 具体动了哪些 slot、动了多少、而不是"aug 类别 → 单个 slot"。前篇 §4.2 的三组结构（payload / metadata / derived trust）在这张表上直接可用：$T_d$ 作用在 $(\mu,\Sigma)$ 上是 payload-level corruption、作用在 $m_c$ 上是 metadata-level augmentation、$q_c$ 必须是从 modified $m_c$ 派生出来的、不能被 aug 端直接改写（否则就是"aug 端在作弊、部署端读不到"）。
上一版这里有个 reviewer 抓到的 shortcut 风险：“给每个 episode 打 degradation label、policy input 里显式携带”——如果 degradation = stale_vision 这个 label 直接作为 policy input、policy 会学成 $a = f(o, \text{label})$；但真实部署里 label 本身未必可靠、这个 shortcut 在训练里看起来无害、部署里就是灾难。这一版明确区分两样东西：
Observed metadata $m_c = (\alpha_c, \ell_c, h_c, v_c, \iota_c)$——由 estimator 或 sensor driver 直接得到、可以进 contract、可以进 policy input。这是 前篇 §4.2 metadata quintuple 的来源。
Latent degradation class $d_c \in \{\text{missing}, \text{stale}, \text{bias}, \text{corrupt}, \ldots\}$——augmentation 时你知道注入了哪一类 $T_{d}$、但部署时这个类是latent 的、只能由 contract estimator 从 $m_c$ 序列里推断、或只作为训练 annotation 用来加权 loss / 采样、不能默认作为 ground-truth input 塞进 policy。
具体做法：aug pipeline 采样 $d_c$、按 $d_c$ 通过 $T_{d_c}$ 生成 $(\mu_c', \Sigma_c', m_c')$、然后把 $m_c'$ 作为 policy input、$d_c$ 只作为 loss weighting 与 evaluation 分层的 key。这不是 curriculum、是 conditioning on observed metadata——差别在于 conditioning 让 policy 看见的是可靠的 $m_c'$、而不是不可靠的 $d_c$。§1.1 类别 B 的 Type II order-constrained response 与 degradation-conditioned aug 天然配对——aug 端造 $T_{\mathcal{C}}$ 的 $m_c$ 变化、loss 端测 policy 对 $m_c$ 变化的响应是否符合 $\preceq_{\mathcal C_\pi}^{\mathrm{declared}}$ 与 $r$。
1.3 Safety filter 与 contract 的接口：constraint certification（v5 三态化）
约束层（CBF / shield / runtime verifier）必须读 $a_{\mathrm{proposed}}$、否则它 filter 什么——这一点不用退让。但本文更精确的 claim 是：safety filter 不应该把 policy 的 confidence 或 estimator 的通用 validity 位当成约束成立性的唯一证据；它应该直接访问 constraint-relevant evidence。
这里必须区分两种 validity。Estimator 侧的通用 validity 位说的是"这条 measurement 从 calibration / sensor health 的角度看是否有效"——这是 field-level 的 general-purpose 声明。Safety 侧真正关心的是"这条约束在这个时刻、这个 predicate 下是否 valid"——这是 constraint-level 的语义。两者并不相同：validity=true 不意味着 constraint estimate 对这条 safety predicate 有效；例如"关节力矩读数 calibration OK" ≠ “当前接触估计足以支撑 collision constraint”。
本文建议 safety filter 读到的、是一个 constraint 特定的组合量：
$$v_j^{\mathrm{constraint}} \;=\; g\!\Big(\text{field validity},\; \text{observability},\; \text{hypothesis posterior},\; \text{age},\; \text{model coverage}_j\Big).$$$g$ 是 constraint-specific 的组合规则（例如 CBF 那侧要求"距离估计在当前 hypothesis 下、observability 充分、且 dynamics model coverage 到当前状态区域"）、$v_j^{\mathrm{constraint}}$ 才是 safety filter 真正应该读的constraint-relevant evidence。9/14 §3 讲过 track_id 是 hypothesis——那么 safety filter 也不能只信 track_id 匹配、还要看 hypothesis posterior 是否稳定；两个 track 是否 merge / split、直接决定"这个障碍距离"的可信度。
v5 补：三态 certification。上一版把 $v_j^{\mathrm{constraint}}$ 写成 binary 位、reviewer 抓得对——“证据不足"与"约束不成立"是两件不同的事。举三个具体 case：invalid sensor 是 unknown、obstacle detected 是 unsafe、obstacle absent with high observability 是 safe。用 binary $v = 0/1$ 表达这三种情况会把它们全塞进同一个值、safety filter 拿不到必要的信息。所以本文引入三态：
$$\boxed{\;\mathrm{certification}_j \;\in\; \{\text{safe},\;\text{unsafe},\;\text{unknown}\}.\;}$$对应的反应规则：safe → relaxation is permitted（注意 permitted 不是 required——见下文）、unsafe → tighten / stop、unknown → conservative fallback 或 tighten（因为不能确定、所以按更谨慎的一侧处理）。这一改让 safety contract 更接近真正的 runtime safety semantics——$v_j^{\mathrm{constraint}} = 0$ 不再意味着 “constraint false”、它意味着 “evidence is insufficient to certify the constraint predicate”（对应 unknown 状态）。
v6 补·safe ≠ 必须 relax。上一版把 “safe → 可以 relax” 写成 “safe → relax”、reviewer 举了一个非常简单的反例：collision constraint = safe、joint torque constraint = unknown——即使 collision constraint 已经 safe、也不能因此放松整个 safety envelope、因为 joint torque 那一路的 constraint 还在 unknown 状态。正确的语义是：safe 只表示"这一条 constraint 允许按正常 margin 执行”、不表示"这一条 constraint 允许被拆开"。因此本文把三态反应规则精化为：
- safe → allow_normal_margin（不放松 constraint、只是把这一条 constraint 的 margin 保持默认、继续与其它 constraint 求交）；
- unsafe → tighten_or_stop；
- unknown → conservative_fallback。
多条 constraint 应该组合、而不是第一条 unknown 就 return。safety filter 真正的形式是 $g_{\mathrm{safety}} = \bigcap_j g_j$——每条 constraint 独立给出它允许的 action subset、最终允许的 action 是所有 constraint 的交集。工程写法对应：
$$a_{\mathrm{applied}} \;=\; \Big(\bigcap_{j:\,\mathrm{cert}_j = \text{safe}} g_j^{\mathrm{normal}}(a_{\mathrm{proposed}})\Big) \;\cap\; \Big(\bigcap_{j:\,\mathrm{cert}_j = \text{unsafe}} g_j^{\mathrm{tighten}}(a_{\mathrm{proposed}})\Big) \;\cap\; \Big(\bigcap_{j:\,\mathrm{cert}_j = \text{unknown}} g_j^{\mathrm{fallback}}(a_{\mathrm{proposed}})\Big).$$任何一条 constraint 单独把 action 空间"松"回去都不合法——只有所有 constraint 都允许的那部分 action 才能被 apply。这条性质也决定了 §3 里 SafetyFilterHead.forward 的正确写法（详见 v6 版代码：continue 只跳过本条 constraint 的收紧、绝不 return 提前结束循环）。
这一节最重要的一句话（v5 加了一个词）：
$v_j^{\mathrm{constraint}}$ does NOT turn off the constraint when evidence is invalid or unknown. Invalid evidence ALONE cannot justify relaxing the constraint. Equivalently: Relaxation requires sufficient valid evidence; invalid evidence alone is never sufficient.
上一版这里写得含糊、读起来像"validity 挂了、constraint 就可以 off"——这在 safety 语义上是危险的、也容易被 reviewer 用一个反例打穿（camera invalid 但 lidar valid 且已充分证明 obstacle 不存在、此时 constraint 完全可以 relax）。加上 “alone” 之后、语义变成："invalid evidence 单靠自身不能成为 relax 的充分条件；如果另一路独立 valid evidence 已经充分证明 constraint 不成立、那就是合法 relax"。这一改把 counterexample 挡在门外、同时不削弱本文的核心 safety claim。三种 reaction：
- fallback：切到一个更保守的 controller 或 planner；
- conservative tightening：加大 constraint margin（例如把 minimum distance 从 20 cm 抬到 50 cm）、因为"证据不够 = 更谨慎"；
- stop：完全 stop policy、等观测恢复。
三种反应都不是"constraint off"——除非另一路 valid evidence 已把 certification 显式推到 safe。安全语义上的核心事实是：positive evidence（且充分）才能 justify relaxing a constraint；absence of valid evidence 永远不能单独做到这件事。
这条也接上了 前篇 §4.3.3 的 negative evidence：“本应看到但没有” 会让 $\mathrm{certification}_j$ 变 unknown——例如雷达在这个角度什么都没扫到、$\Lambda(E^-; H_{\text{clear}}, \mathcal O)$ 变正（“clear” hypothesis 下"没看到东西"是自然结果、但反过来"有障碍" hypothesis 下"没看到东西"是不自然结果——方向依赖 $H$ 的定义、见 前篇 §4.3.3）、collision constraint 的 certification 应该保持 unknown、甚至保守收紧、不能因为 policy 的 belief 乐观就把 certification 推到 safe。
这三样（constraint-specific certification、observability、negative evidence）不进 safety filter、filter 就会用 policy 的 belief 反推约束成立性、这在低 observability 区域特别危险——policy 的 belief 之所以乐观、是因为它读不到 contract 里的 observability / validity / negative evidence、filter 如果同样读不到、两者一起盲。
1.4 与 9/10 Part 3 evaluation 的呼应
Sim utility 三维（prediction / ranking / decision）里、policy-side 的 evaluation 主要看 decision 这一维——但要加一个 contract-preservation 维度：把 contract 拆掉之后 policy 的表现下降多少、就是它对 contract 依赖度的下界。这一维度对应 §2 的 CAG 指标、且需要 oracle baseline 来界定解释边界、以及明确的 retraining protocol（§2.5）。
2. Evaluation：四类 compliance evidence、五层 evaluation hierarchy、不是四个 metric
对应 前篇 §4 的 primitives 与 §1.1 的三类 intervention、本文提出四种 compliance evidence——不是一个四层 metric panel、是四类各自回答不同问题的证据。上一版把它们写成 metric hierarchy、reviewer 抓得对：probe / CAG / safety-pass 任何单一 score 都不构成 semantic compliance、必须多证据合流。
$$\boxed{\;\text{Compliance Evidence} \;=\; \big\{E_{\mathrm{semantic}},\;E_{\mathrm{representation}},\;E_{\mathrm{decision}},\;E_{\mathrm{safety}}\big\}.\;}$$四类各自回答一个不同的问题：
| 类型 | 回答什么 |
|---|---|
| $E_{\mathrm{semantic}}$ | Does the policy respond correctly to a known semantic transformation? |
| $E_{\mathrm{representation}}$ | Is the contract information recoverable from the representation (given the side inputs)? |
| $E_{\mathrm{decision}}$ | Does contract structure change task utility when it should? |
| $E_{\mathrm{safety}}$ | Does degradation cause conservative / required guardrail behavior? |
三条明确的 caveat：probe ≠ semantic compliance、CAG ≠ semantic compliance、safety pass ≠ representation retention。这四类证据不能互相顶替、也不能压成一个 scalar。以下按类展开。Temporal 与 source 两条 invariant 的专项测试分别落在 $E_{\mathrm{decision}}$ 的 SDS 与 $\Delta J_{\mathrm{where}} / \Delta J_{\mathrm{dep}} / \Delta J_{\mathrm{neg}}$ 切片——它们不是新指标、是 decision 层的 specialized 观察。
2.0 全文理论骨架表（v6 修订：三 loss + 一 obligation + 五层 evaluation hierarchy）
把 前篇 §0 到 §2 收在一张表上、reviewer 最希望看到的就是这个：
| Layer | Object | Failure | Evidence | Evidence 定义在 § | Loss / Obligation 兑现 |
|---|---|---|---|---|---|
| Contract | $\mathcal C$ | schema ambiguity / version mismatch | schema audit + compatibility check | 前篇 §0.2.3 + 本文 §3（SchemaCompatibilityError fail-closed） | —— (前置条件、不产 loss) |
| Declaration | $q_\pi$（由 $\mathcal C_\pi = (Q_\pi, \mathcal O_\pi, V_\pi)$ 诱导） | undeclared semantic collapse | quotient audit（能贴出 $Q_{\mathcal C_\pi}$ 清单吗？subsumption 覆盖吗？） | 前篇 §0.2.2（query subsumption 定义） + §0.2.3（version compatibility） + 下方 $L_{\mathrm{declared}}$ boxed 公式 | $L_{\mathrm{declared}} = \sum w_q \mathbf 1[\nexists q' \succeq q]$（§2.0 boxed） |
| Projection | $\Pi_\pi = e_\pi\circ q_\pi$ | residual contract information | conditional probe $I(\text{field};z_\pi\mid o)$ | §2.2（本节上半） | $L_{\mathrm{projection}} = I(Y_{\mathcal C}^{\pi};\hat S\mid Z_\pi,O,L)$ |
| Decision | $\pi_\theta$ | wrong use / shortcut / collapse rate | Type I equivariance + Type II order-constrained + Type III ablation + $L_{\mathrm{decision}}$ | §2.1（Type I）· §2.2（$E_{\mathrm{contract}}$ / HPC / HSS）· §2.3（SDS temporal）· §2.4（source 三切片）· §2.5（CAG utility） | $L_{\mathrm{decision}} = \mathbb E[\mathbf 1[D_{\mathcal A}(\cdot)<\epsilon]]$ |
| Safety | $g_{\mathrm{safety}}$ | unsafe interpretation of invalid / unknown evidence | constraint certification intervention（是否收紧、而不是放松） | §2.6 · 训练时对 §1.3 | $\mathcal O_{\mathrm{safety}}$：safe → relaxation permitted / unsafe → tighten or stop / unknown → conservative fallback |
三个 semantic losses + 一个 safety obligation（v6 版、公式与 前篇 §0.2.2 严格对齐）：
$$\boxed{\begin{aligned} L_{\mathrm{declared}} &: \;\textstyle\sum_{q\in Q_{\mathcal C}^{\mathrm{req}}} w_q\,\mathbf 1\!\big[\nexists\, q' \in Q_{\mathcal C_\pi}:\, q' \succeq q\big];\\[1mm] L_{\mathrm{projection}} &= I\!\big(Y_{\mathcal C}^{\pi};\hat S \mid Z_\pi, O, L\big);\\[1mm] L_{\mathrm{decision}} &= \mathbb E_{\mathcal R_{\mathcal D}}\!\big[\mathbf 1[D_{\mathcal A}(\pi_\theta(\cdot\mid\hat S),\pi_\theta(\cdot\mid\hat S'))<\epsilon]\big];\\[1mm] \mathcal O_{\mathrm{safety}} &: \;\text{safe} \Rightarrow \text{relaxation permitted (constraint policy still applies)};\\ &\quad \text{unsafe} \Rightarrow \text{tighten or stop};\quad \text{unknown} \Rightarrow \text{conservative fallback}. \end{aligned}}$$三个 loss 分别落在 $q_\pi / \Pi_\pi / \pi_\theta$ 上、safety obligation 落在 $g_{\mathrm{safety}}$ 上、四个可分别审计的 pipeline 站点（four separately auditable failure sites）、合起来形成 compliance argument。注意 v6 措辞——本文不宣称这四个槽位是"statistically independent"的（reviewer 抓得对：$L_{\mathrm{declared}}$ 变了会改 $q_\pi$、改 $q_\pi$ 会改 $\Pi_\pi$ 的允许 quotient、进而改 $L_{\mathrm{decision}}$ 的评估集、四者是顺序耦合的、只是各自定位到一个可打开审计的站点）。这就是本文从"给 VLA 加 metadata"走到 “contract-aware policy design” 的具体形状。
v6 再补·五层 evaluation hierarchy（reviewer 提的最值得加的一张表）。本文一直想区分"信息还在不在 / 够不够 / 有没有用 / 用了值不值 / 不确定时怎么反应"——v6 之前散在 §2.1–§2.6、没有一张表把它们钉在一起。这张表是全文 evaluation 层的类型系统：
| 层 | 问题 | 主要指标 / primitive | 与其它层的分离点 | 定义在 § | 训练时对 §1.x |
|---|---|---|---|---|---|
| Retention | contract field 在 $z_\pi$ 里还在吗？ | conditional probe $I(\text{field}; z_\pi \mid o)$ | 只测"在不在"、不测"够不够" | §2.2 上半 | §1.1 类别 A（representation-side probe） |
| Sufficiency | $z_\pi$ 加 side information 是否足以回答 $Y_{\mathcal C}^{\pi}$？ | $L_{\mathrm{projection}} = I(Y_{\mathcal C}^{\pi};\hat S\mid Z_\pi,O,L)$ | conditional MI = 0、不宣称 representation-level injective | §2.2 上半 + §2.0 boxed | §1.1 类别 A |
| Behavioral use | policy 对 contract intervention 响应是否合法？ | Type I equivariance / Type II order-constrained / §2.2 $E_{\mathrm{contract}}(T_k)$ vs $\mathcal R_{\mathcal C}$ | 与"响应对不对"绑定、不测最终 utility | §2.1 · §2.2 · §2.3 · §2.4 | §1.1 类别 B（Type I / II 训练约束；Type III 不进 loss、evaluation 侧走 §2.4） |
| Utility | 用了 contract 信息、decision 真的改善了吗？ | $\mathrm{CAG}^{\mathrm{fixed}}$ + §2.2 HPC（$T^{\mathrm{world}}$ 版）+ §2.4 $\Delta J_{\mathrm{where/dep/neg}}$ | 必须配 matched null 与 oracle baseline、避免只是 OOD sensitivity | §2.5 · §2.2 HPC · §2.4 | §1.2 augmentation（degradation as causal operator） |
| Safety | 不确定 / 无效 evidence 时有没有保守反应？ | §2.6 constraint certification intervention + §1.3 三态 certification + $\mathcal O_{\mathrm{safety}}$ | 独立于"policy 用没用 contract"、测的是 filter 有没有兜住 | §2.6 | §1.3 safety filter 三态化 |
这五层是层层递进、但不是相互蕴含的关系——Retention 通过不蕴含 Sufficiency（信息在可能也不足以回答 query）、Sufficiency 通过不蕴含 Behavioral use（够信息 policy 可能不用）、Behavioral use 通过不蕴含 Utility（响应对了 utility 可能仍然差、因为 contract 未必是当前瓶颈）、Utility 与 Safety 完全正交（safety 侧兜底与 utility 侧表现是两件事）。这四条"不蕴含"关系是 §2.2 拆 $E_{\mathrm{contract}}$ / HPC、§2.5 拆 CAG fixed / retrained、§2.6 拆 constraint certification intervention 的根本动机。Retention ≠ Sufficiency ≠ Use ≠ Utility——这一句 v6 之前只是隐含、v6 明确写出来。
怎么用这两张表：Reviewer 或读者从 §2.0 进入本文 evaluation 部分时——表 1 告诉你"某个 pipeline 站点出问题、去哪一节找 evidence 与它兑现哪一条 loss / obligation"、表 2 告诉你"某一层评估通过与否、去哪一节看具体公式与协议、训练时对应哪一处改动"。§2.1–§2.6 每小节开头各有一段 “本节锚点” 反向指回这两张表的具体行 / 层。两张表 + 六个锚点合起来是本文 evaluation 章节的双向可跳转索引——上表定位到具体小节、小节回头对号到具体 layer 与 loss / obligation。
合起来，§2.0 的两张表共同承担本文 evaluation 部分的理论骨架：上一张表把 loss/obligation 落到 pipeline 的四个可审计站点、下一张表把 evidence 落到五个层层不相互蕴含的评估层。这两张表是本文"从概念文章走到 benchmark protocol 文章"最直接的接口。
2.1 Semantic evidence $E_{\mathrm{semantic}}$：Invariance / Equivariance Test
本节锚点：§2.0 表 1 Layer = Decision（Type I 子段）· 表 2 层 = Behavioral use（响应合法性、不测 utility）· 训练时对 §1.1 类别 B Type I（equivariance 训练约束）。
对应 §1.1 Type I。给定一组已知 $T^{\mathcal{C}}_\pi$ 的 contract 变换（frame / coordinate / hypothesis permutation）、测：
$$\mathrm{Equiv}(\mathcal{C}) \;=\; \mathbb{E}_{\hat S}\!\left[d\!\left(\pi_\theta(T^{\mathcal{C}}\hat S),\; T^{\mathcal{C}}_\pi\,\pi_\theta(\hat S)\right)\right].$$$\mathrm{Equiv} \to 0$ 是硬要求、$\mathrm{Equiv} \gg 0$ 意味着 $e_\pi$ 学坏了、或者 $q_\pi$ 直接把这一层 quotient 丢了。这一类是最"干净"的一类、因为规则是 mathematically defined 的、不需要 oracle 也不需要 $J$ 的定义。前篇 §3.2 Failure 2 的 severity 可以直接由 $\mathrm{Equiv}(\text{frame})$ 量化。
2.2 Representation evidence $E_{\mathrm{representation}}$：Conditional Probe + Interface-Compliance $E_{\mathrm{contract}}$ + Decision-Competence HPC + HSS（v6 二次拆分） + Calibration
本节锚点：§2.0 表 1 Layer = Projection（conditional probe / $L_{\mathrm{projection}}$）+ Decision（$E_{\mathrm{contract}}$ / HPC / HSS 三个 sub-metric）· 表 2 层 = Retention + Sufficiency + Behavioral use + Utility 四层横跨（本节是唯一同时兑现四层的节）· 训练时对 §1.1 类别 A + 类别 B。
Conditional probe（§1.1 类别 A 升级版）：Retention$_{\mathrm{cond}} = I(\text{field}; z_\pi \mid o)$——固定 raw observation $o$、测 $z_\pi$ 里还独立携带多少 contract 信息。这是避免 image-proxy 泄漏的必要形式。
v5 已经把 $T_k^{\mathrm{hyp}}$ 拆成 $T_k^{\mathrm{contract}}$（raw obs 不变）与 $T_k^{\mathrm{world}}$（obs 与 contract 联合 re-render）两档、但 HPC 公式本身仍然是错的——v6 reviewer 一句戳穿：
If the raw observation is held fixed and the contract is intentionally made inconsistent with it, what defines the ground-truth optimal action set $\mathcal{A}^{*}_k$?
这个问题 v5 答不上来。$T_k^{\mathrm{contract}}$ 只改了 contract、世界并没有变——那么"world-consistent optimal action set"仍然是原世界的 $\mathcal{A}^*(O, W)$、不该因为你把 contract 换成 $H_k$ 就自动出现一个新的 $\mathcal{A}_k^*$。v5 的 HPC 公式实际上偷偷假设了"改变 contract = 改变 world"、恰好把 v5 花大篇幅拆开的两件事又揉在一起。v6 二次拆分——HPC 不再同时承担两件事、拆成两个 metric：
(A) Contract-only intervention → Interface compliance $E_{\mathrm{contract}}$——$T_k^{\mathrm{contract}}:\hat S \mapsto \hat S_k$、raw observation 固定不变、不引入任何 $\mathcal{A}^*_k$ oracle。它测的是：policy 在 contract 声明变化后、是否落在 §1.1 已经写进 $\mathcal{C}_\pi$ 的声明响应关系 $\mathcal{R}_{\mathcal{C}}(T_k)$ 之内——与 §1.1 Type I equivariance / Type II order-constrained response 完全闭环：
$$\boxed{\;E_{\mathrm{contract}}(T_k) \;=\; D_{\mathcal{A}}\!\big(\pi_\theta(T_k^{\mathrm{contract}}(\hat S)),\;\mathcal{R}_{\mathcal{C}}(T_k)\big),\qquad E_{\mathrm{contract}}^{\mathrm{overall}} = \tfrac{1}{K}\sum_k \mathbf 1\!\big[E_{\mathrm{contract}}(T_k) > \epsilon_{\mathrm{resp}}\big].\;}$$$D_{\mathcal{A}}$ 与 前篇 §0.2.2 的 $L_{\mathrm{decision}}$、§2.2 HSS 用同一族（action-equivalence-aware distance、测两个 action 分布是否支持不同的 admissible / optimal action set）。$\mathcal{R}_{\mathcal{C}}(T_k)$ 里允许 piecewise、允许 flat、允许 conditional、只要不违反 §1.1 声明的 $\preceq_{\mathcal{C}_\pi}^{\mathrm{declared}}$ 与 $r$ 就合法——reviewer 追问"如果 contract 与 observation 自相矛盾、ground-truth action 从哪来"、这一版的回答是"不需要 ground-truth action、只需要 contract 自己声明过的响应集合"。这才是 interface compliance 该有的样子。
(B) World-consistent counterfactual → Decision competence HPC——同时改 $(O, \hat S) \mapsto (O_k, \hat S_k)$、$O_k$ 与 $\hat S_k$ 都来自 simulator / renderer / privileged state、保证 observation 与 contract 一致。此时 $\mathcal{A}^*_k$ 有天然的定义——它就是世界 $k$ 里的 optimal / admissible action set、由 simulator 的 ground-truth state 与 reward 决定：
$$\boxed{\;\mathrm{HPC} \;=\; \frac{1}{K} \sum_{k=1}^{K} U\!\big(\pi_\theta(T_k^{\mathrm{world}}(\hat S, O)),\;\mathcal{A}^{*}_k\big),\qquad U(\pi, \mathcal{A}^*_k) = \Pr_{a \sim \pi}\!\big[a \in \mathcal{A}^{*}_k\big].\;}$$HPC 只在 $T_k^{\mathrm{world}}$ 下有意义——它测的是"policy 在另一个真实世界 hypothesis 下的 decision competence"、而不是"policy 会不会响应 contract 变化"。两件事由两个不同的 metric 承担、benchmark 报告时必须并列 $E_{\mathrm{contract}}$ 与 HPC、不能合并成一个总分。这一拆分正好与本文全篇"contract 变化 ≠ world 变化"的哲学一致。注意：本节 HPC 的 $\mathcal{A}^*_k$（world-$k$ 的 action 集合）与 §2.5 oracle baseline 的 $\pi^*_{\mathrm{oracle}}$（能读 privileged state 的一份 policy）是两个正交的 oracle 对象、不要合并、详见 §2.5 收尾注。
Hypothesis Separation Score (HSS)——必须只在 action-relevant hypothesis pairs 上平均、reviewer 抓到了 gaming：如果 $\mathcal A^*(H_1) = \mathcal A^*(H_2)$、policy 输出不同不是优点、是 noise。定义 action-relevant pair set（走 前篇 §0.2.1 已经定义的 $\sim_{\pi,\mathcal D}$、不是"raw representation 不同"）：
$$\mathcal R \;=\; \big\{(i, j): \hat S_i \not\sim_{\pi,\mathcal D} \hat S_j\big\} \;\cap\; \big\{(i, j): T_i, T_j \text{ 都属于 } \{T^{\mathrm{contract}}, T^{\mathrm{world}}\} \text{ 中的一类}\big\}.$$第二个交集很关键——$T^{\mathrm{contract}}$ 与 $T^{\mathrm{world}}$ 语义不同、不能混在同一个 HSS 里平均。HSS 只在 $\mathcal R$ 上算、并且 $D$ 一律用 $D_{\mathcal A}$、不用普通 distribution distance（KL、TV、Wasserstein 都可能被"每个 hypothesis 输出一个不同随机分布"这种 gaming 拉满）：
$$\mathrm{HSS}^{c} \;=\; \frac{1}{|\mathcal R^{c}|} \sum_{(i, j) \in \mathcal R^{c}} D_{\mathcal{A}}\!\big(\pi_\theta(\cdot \mid T_i^{c}\hat S),\;\pi_\theta(\cdot \mid T_j^{c}\hat S)\big),\qquad c \in \{\mathrm{contract},\mathrm{world}\}.$$separation is useful only when distinctions are decision-relevant——这一句必须写死。并且光靠 $D_{\mathcal A}$ 还挡不住"完全随机 policy 不同 hypothesis 下随机分布也不同"这种 gaming、所以 v6 引入 competence gate：HSS 只在 $E_{\mathrm{contract}}$ 已经通过（$E_{\mathrm{contract}}^{\mathrm{overall}} < \tau_E$）的前提下才作为 positive evidence、否则高 HSS 只说明 policy 在乱动。不要把两个 metric 硬乘成一个总分（例如 $E_{\mathrm{contract}} \cdot \mathrm{HSS}$）——reviewer 更接受并列报告：
| 指标 | 问题 | 抗 gaming 手段 |
|---|---|---|
| $E_{\mathrm{contract}}^{\mathrm{overall}}$ | policy 是否落在声明过的响应集合内 | 用 $D_{\mathcal A}$、$D$ 与 $\mathcal R_{\mathcal C}$ 都对齐 §1.1 |
| $\mathrm{HPC}$ | world-consistent 下 policy 是否支持正确的 action set | 只在 $T^{\mathrm{world}}$ 上算、$\mathcal A^*_k$ 由 simulator 定 |
| $\mathrm{HSS}^{c}$ | policy 是否区分 action-relevant pairs | $D_{\mathcal A}$ + competence gate（$E_{\mathrm{contract}}$ 已 pass） |
| Entropy / diversity（对照） | 是不是只是随机化 | 与 HSS 并列报告、随机 policy 的 entropy 会异常高、HSS 会不涨 |
HPC / HSS / $E_{\mathrm{contract}}$ / entropy 四列并排、reviewer 一眼能看出"高 HSS + 高 entropy"就是 gaming、“高 HSS + 低 entropy + $E_{\mathrm{contract}}$ 通过"才是真的 separation。
四者合力才对应 decision-relevant semantic preservation（前篇 §0.2.1 Property A′）——$E_{\mathrm{contract}}$ 保证"contract 变化时 policy 响应合法”、HPC 保证"world-consistent 下每个 action-relevant hypothesis 都被 support"、HSS 保证"policy 保留了 action-relevant 的 hypothesis distinction"、entropy 对照保证"HSS 不是随机化 gaming"、同时不惩罚那些不该区分的 pair。四条限制一起才让 representation evidence 有意义。
Calibration diagnostic——$\mathrm{ECE}_{\text{top-}k}$、NLL、Brier、calibration curve、coverage / credibility 五条并列（前篇 §4.1 已经把它们从 primitive 里剥出来、这一节是它们真正的家）。
2.3 Temporal slice：Staleness Response Compliance (SDS)（v5 记号 + baseline 双修）
本节锚点：§2.0 表 1 Layer = Decision（temporal 子切片）· 表 2 层 = Behavioral use（Type II order-constrained response · §1.1 Type II 的 evaluation-side 兑现）· 训练时对 §1.1 Type II + §1.2 augmentation staleness。
v4 版本 SDS 有两个问题（reviewer 都抓到了）。第一、$R_\pi(a) = \pi_\theta(\cdot|\mathrm{do}(a_c = a), o)$ 里 $a$ 同时是 age 参数与全文里代表 action 的变量、notation collision。第二、$R^*(a)$ 作为"唯一 oracle response curve"过强——expert A 可能"age > 100 ms 就 fallback"、expert B 可能"通过 dynamics prediction 补偿后仍然正常控制"、两者都合理、强迫唯一 $R^*$ 会把合理的分段响应误判成 failure。
v5 一次改两处。记号侧：$\alpha$ 用作 age 值（前篇 §4.2 已经把字段名从 $a_c$ 改成 $\alpha_c$）、$a$ 从此只代表 action：
$$R_\pi(\alpha) \;=\; \pi_\theta\!\big(\cdot \,\big|\, \mathrm{do}(\alpha_c = \alpha),\, o\big).$$baseline 侧：SDS 不再对着单一 $R^*$ 定义、而是对着 contract-permitted response set $\mathcal R_{\mathcal C}(\alpha)$ 定义——这个 set 由 §1.1 已经写进 $\mathcal C_\pi$ 的 $\preceq_{\mathcal C_\pi}^{\mathrm{declared}}$ 与 $r$ 声明、允许 piecewise、允许 flat、只要不违反 relation 就是合法：
$$\boxed{\;\mathrm{SDS} \;=\; D\!\big(R_\pi,\;\mathcal R_{\mathcal C}\big),\;}$$$D$ 是 “distance from a curve to a set of legal curves”、可以是 sup-based violation measure $\sup_{\alpha_1 \preceq_{\mathcal C_\pi}^{\mathrm{declared}} \alpha_2} \max\!\big(0, r(R_\pi(\alpha_1)) - r(R_\pi(\alpha_2)) + \delta\big)$（等价于 §1.1 Type II hinge loss 在 evaluation 上的复用）、也可以是别的 curve-set divergence。oracle policy curve $R^*$ 只是 $\mathcal R_{\mathcal C}$ 的一种 baseline、不是定义本身。这样 SDS 就与 §1.1 Type II “order-constrained 不一定 monotone” 完全一致、不再强迫所有任务共用一条唯一正确的 staleness response。
v6 补·SDS 的操作化定义（$V_{\mathrm{order}}$ violation estimator）——上面 $D(R_\pi, \mathcal R_{\mathcal C})$ 是漂亮但抽象的记号、reviewer 一句 “How do you compute distance to a set of legal curves?” 就能把 benchmark 版打穿（$\mathcal R_{\mathcal C}$ 一般是无穷集）。v6 明确 SDS 的推荐实现是 violation functional、不是 curve-to-set distance：
$$\boxed{\;\mathrm{SDS} \;=\; V_{\mathrm{order}} \;=\; \mathbb E_{(\alpha_i, \alpha_j)\,:\,\alpha_i \preceq_{\mathcal C_\pi}^{\mathrm{declared}} \alpha_j}\!\Big[\max\!\big(0,\; r\!\big(R_\pi(\alpha_i)\big) - r\!\big(R_\pi(\alpha_j)\big) + \delta\big)\Big].\;}$$这个式子是有限可测的：给定一组 grid $\{\alpha_1, \alpha_2, \ldots\}$、遍历所有 declared order 兼容的 pair、跑 policy 读出 $r(R_\pi(\alpha))$、算 hinge、平均即可。$\delta$ 与 §1.1 Type II hinge loss 里的 $\delta$ 取同一个值、由任务级原则选取（例如 $\delta = \sigma_r / 2$、$\sigma_r$ 是 $r$ 在 benchmark noise 下的经验标准差；或者 $\delta$ 与 §2.2 $E_{\mathrm{contract}}$ 的 $\epsilon_{\mathrm{resp}}$ 通过同一族 action-distance 校准）——不能只是叫 “margin”、不能事后凑。
如果 §1.1 Type II 声明的是 piecewise policy（例如 $\alpha<50$ → normal、$50\le\alpha<100$ → fallback、$\alpha\ge 100$ → stop），那么 $V_{\mathrm{order}}$ 直接测状态 transition violation就够了：
$$V_{\mathrm{trans}} = \mathbb E\!\big[\mathbf 1\big[\text{observed state}\big(R_\pi(\alpha)\big) \neq \text{declared state at }\alpha\big]\big].$$正文里保留 $D(R_\pi, \mathcal R_{\mathcal C})$ 是理论定义、实验实现一律走 $V_{\mathrm{order}}$ 或 $V_{\mathrm{trans}}$、这样 benchmark paper 版可以直接把 estimator 抄过去。
响应属性 $R$ 根据任务定义、可以取 variance / action norm / fallback probability / safety margin / stop probability——必须与 §1.1 Type II 里声明的 $r$ 是同一个、否则训练与评估各说各话。平坦不代表差、只要与 $\mathcal R_{\mathcal C}$ 里某一条 legal curve 匹配即可。
导数形式仍保留、作为 response shape 的一种局部刻画：
$$\left.\frac{\partial\, \mathbb{E}\!\big[\pi_\theta(\cdot \mid \mathrm{do}(\alpha_c = \alpha),\, o)\big]}{\partial \alpha_c}\right|_{\alpha}\quad\text{与 } \mathcal R_{\mathcal C} \text{ 里 legal curves 的同阶导数分布比较}.$$2.4 Source slice：$\Delta J_{\mathrm{where}}$、$\Delta J_{\mathrm{dep}}$、$\Delta J_{\mathrm{neg}}$（v5 三分）
本节锚点：§2.0 表 1 Layer = Decision（source 子切片）· 表 2 层 = Behavioral use + Utility（$\Delta J$ 三切片同时给出响应合法性与 utility 影响）· 训练时对 §1.1 Type III 为主（provenance / dependency / negative evidence 三 sub-primitive 在训练侧统一走 Type III「不预设响应」、evaluation 侧再由本节拆成三条 $\Delta J$）；当 provenance 或 negative evidence 与 §1.1 声明过的 $\preceq^{\mathrm{declared}}_{\mathcal C_\pi}$ 挂钩时（例如 “sensor health 越差、其 contributing weight 应越低”）同时兑现 Type II。
v4 把 $\Delta J_{\mathrm{prov}}$ 写成 “provenance + correlated_with” 一起 ablate、reviewer 抓得对——你花了一整节说 provenance ≠ dependency ≠ negative evidence、metric 又把它们揉在一起、那就回答不了"到底哪一条 primitive 起作用"。v5 拆成三条、每条只 ablate 一个 primitive：
$$\Delta J_{\mathrm{where}} \;=\; J\!\big(\pi_\theta \mid \text{provenance}\big) \;-\; J\!\big(\pi_\theta \mid \text{provenance} = \varnothing\big),$$$$\Delta J_{\mathrm{dep}} \;=\; J\!\big(\pi_\theta \mid \text{correlated\_with}\big) \;-\; J\!\big(\pi_\theta \mid \text{correlated\_with} = \varnothing\big),$$$$\Delta J_{\mathrm{neg}} \;=\; J_{\mathrm{rank}}\!\big(\pi_\theta \mid \Lambda\big) \;-\; J_{\mathrm{rank}}\!\big(\pi_\theta \mid \Lambda = \varnothing\big).$$三条各对应 前篇 §4.3 的三个 primitive：$\Delta J_{\mathrm{where}}$ 测 contributing_mask 消费情况、$\Delta J_{\mathrm{dep}}$ 测 correlated_with 消费情况、$\Delta J_{\mathrm{neg}}$ 测 conditional LLR 消费情况。$J$ 一律 higher-is-better。每条都可以独立爆零、互不顶替——这是"三个 primitive 语义独立"这一节 claim 在评估层的对应兑现。如果 reviewer 再问"性能改善是哪一个 primitive 起作用"、v5 可以一条条回答、v4 不能。
2.5 Decision evidence $E_{\mathrm{decision}}$：Contract Ablation Gap（CAG）+ Oracle baseline + Retraining protocol（v5 加限定）
本节锚点：§2.0 表 1 Layer = Decision（CAG utility 子段）· 表 2 层 = Utility（配 matched null control 防 OOD sensitivity 冒充 contract-use）· 训练时对 §1.2 augmentation + retraining protocol（区分 CAG$^{\mathrm{fixed}}$ 与 CAG$^{\mathrm{retrained}}$）。
给定 contract 的一个特定 collapse 算子 $\mathrm{collapse}_X$（把 $X$ 这一层 contract structure 无声明地折叠掉）、
$$\mathrm{CAG}_X \;=\; J_{\mathrm{full}} \;-\; J_{\mathrm{collapse}_X}, \qquad J_{\mathrm{full}} \equiv J(\pi_\theta \mid \hat S),\;\; J_{\mathrm{collapse}_X} \equiv J(\pi_\theta \mid \mathrm{collapse}_X(\hat S)),$$四类 collapse 各对应一条 invariant：
- $\mathrm{collapse}_{\mathrm{hyp}}$：把 hypothesis set 折成单 Gaussian 或单点估计。
- $\mathrm{collapse}_{\mathrm{age}}$：把所有 channel 的
age / health / latency / availability抹平。 - $\mathrm{collapse}_{\mathrm{prov}}$：drop
contributing_mask与correlated_with、让 policy 无区别地 attend。 - $\mathrm{collapse}_{\mathrm{neg}}$：drop $\Lambda(E; H, \mathcal O)$。
v5 必须写死的一句（reviewer 抓到 v4 隐藏问题）：
The collapsed condition is evaluated with the same trained policy, without retraining, unless explicitly defined otherwise.
因为同一份训好的 policy 上做 collapse 与用 collapsed representation 重新训一份 policy、是两个完全不同的问题：
- 不重新训练（本文默认）：测的是 trained policy 对 contract information 的 sensitivity——这是 compliance evidence。
- 重新训练：测的是 这个 representation 本身是否足以支持任务——这是 architecture / representation comparison。
两件事都成立、但不能混用同一个符号。v5 显式定义两个量：
$$\mathrm{CAG}_X^{\mathrm{fixed}} \;=\; J_{\mathrm{full}}^{\theta^*} - J_{\mathrm{collapse}_X}^{\theta^*},\qquad \mathrm{CAG}_X^{\mathrm{retrained}} \;=\; J_{\mathrm{full}}^{\theta^*} - J_{\mathrm{collapse}_X}^{\theta^*_X},$$其中 $\theta^*$ 是原训练好的参数、$\theta^*_X$ 是用 collapsed representation 重新训练出来的参数。本文的 compliance evidence 只走 $\mathrm{CAG}^{\mathrm{fixed}}$；$\mathrm{CAG}^{\mathrm{retrained}}$ 是 architecture 论文的问题、不是本文的。
v6 补·matched null control（reviewer 抓得非常狠的一步）——上面的 $\mathrm{CAG}^{\mathrm{fixed}}$ 有一个极容易被误解读的地方：$\mathrm{collapse}_X$ 之后 policy 拿到的输入很可能已经不在训练分布里。比如训练时 hypothesis payload 长这样：
hypothesis = [(μ1, Σ1, w1), (μ2, Σ2, w2), ...]
collapse 后变成：
collapse_hyp → 单个 Gaussian (μ̄, Σ̄)
那么 policy 遇到的未必是“contract information 被拿掉”、也可能只是**“输入格式突然变成模型没见过的东西”**——于是 $\mathrm{CAG} > 0$ 可能只是 OOD sensitivity、跟"contract 语义有没有被用"没关系。这一版必须给 CAG 加一个 matched null control：
Format-preserving null intervention $S \mapsto \tilde S$ 满足四条：
- shape 与 collapsed version 相同（比如同样折成"一个 Gaussian"）；
- marginal distribution 与 $S$ 相同（比如 $\tilde\mu$ 从原 mixture 里按权重随机取一个 component）；
- decision-relevant information 不变（比如保留 top-1 hypothesis 的 mode identity）；
- irrelevant semantics 改变（比如把 hypothesis identity 的 index permutation、把 component 的 provenance tag 打个随机重排、保留 shape 与 marginal）。
跑同一份 $\theta^*$、得到 $\Delta J_{\mathrm{null}} = J_{\mathrm{full}}^{\theta^*} - J_{\mathrm{null}}^{\theta^*}$。benchmark 报告 CAG 的时候必须并排 $\Delta J_{\mathrm{null}}$：
$$\boxed{\;\text{只有当 } \Delta J_{\mathrm{contract}} \gg \Delta J_{\mathrm{null}} \text{ 时、CAG 才能作为 contract-use 的证据；否则它只是 OOD sensitivity}.\;}$$这一步把"policy 只是讨厌输入格式变化"这个 alternative hypothesis 从 CAG 里剥出去。一个具体的对照实验设计（v6 reviewer 建议 §2.5 的 CAG shortcut detection 应该配的）：打乱 age 与 task difficulty 的相关性重训一份对照 policy、然后观察 §1.1 Type I/II pass/fail 与 CAG 之间的关系是否改变——如果 correlation-shuffled 之后 CAG 归零、那原来的 CAG 就是 shortcut；如果 CAG 仍在、才是真的在读 contract semantic。
再加 oracle privileged-state baseline：
$$J_{\mathrm{oracle}} \;=\; J(\pi^{*}_{\mathrm{oracle}} \mid s^{\mathrm{priv}}), \qquad \mathrm{Gap}_{\mathrm{oracle}} \;=\; J_{\mathrm{oracle}} - J_{\mathrm{full}}.$$v4 的四象限解释表其实略强了——“CAG 高 + oracle 略高 → policy 真在读 contract"这句话数学上不支持。$\mathrm{CAG} > 0$ 只说明去掉这个结构以后 task utility 下降、不说明 policy 是通过正确 semantic mechanism 使用它。真实情况常常是训练数据里 age ↔ task difficulty 高度相关、policy 学到 $a = f(\alpha)$ 的 shortcut 而不是 $a = f(\text{actual sensor staleness semantics})$。这一版把表格降级成 “每个观察能支持什么”：
| 观察 | 能说明 |
|---|---|
| CAG 高 | contract structure 对当前任务有 utility（可能来自 semantic use、也可能来自 shortcut） |
| CAG ≈ 0 | 当前任务下该 contract structure 可能不必要 |
| CAG 高 + §1.1 Type I/II 通过 | 更有证据表明 semantic use |
| CAG 高 + intervention fail | 很可能是 shortcut——回到 前篇 §4.3 / §1.2 检查 training distribution |
| CAG ≈ 0 + oracle gap 高 | contract 里有信息、policy 没充分利用——回到 前篇 §0.2.2 的三个 loss 定位是哪一段掉了 |
也就是：
$$\boxed{\;\mathrm{CAG} \;\neq\; \text{contract understanding}.\;}$$$$\boxed{\;\mathrm{CAG} \;=\; \text{task-conditional utility sensitivity}.\;}$$CAG 是 decision 层的聚合、必须与 $E_{\mathrm{semantic}}$（invariance / equivariance）+ $E_{\mathrm{representation}}$（conditional probe + HPC/HSS）+ §1.1 Type I/II controlled response 联合看、才能构成 semantic use 的证据。这一版把 CAG 从"总指标"降回"decision 层聚合”、四种 compliance evidence 才完整。
§2.5 收尾·注：本节 oracle 与 §2.2 HPC 的 $\mathcal{A}^*_k$ 是两个不同的 oracle 对象（reviewer 建议显式写一句、避免 benchmark 报告时把两个"oracle"合并成一个总分）。
| §2.2 HPC 的 $\mathcal{A}^*_k$ | 本节 oracle baseline 的 $\pi^*_{\mathrm{oracle}}$ | |
|---|---|---|
| 对象类型 | action-set——世界 $k$ 里的 optimal / admissible action 集合 | policy——允许直接读 privileged state $s^{\mathrm{priv}}$ 的一份策略 |
| 定义来源 | simulator 世界 $k$ 的 ground-truth state + reward | 在 simulator privileged state 上跑 planner / expert 得到的 $\pi^*_{\mathrm{oracle}}$ |
| 测什么 | $U(\pi_\theta, \mathcal{A}^*_k) = \Pr_{a \sim \pi_\theta}[a \in \mathcal{A}^*_k]$——counterfactual world 下 policy 输出 action 落在该世界最优集合的概率 | $J_{\mathrm{oracle}} = J(\pi^*_{\mathrm{oracle}} \mid s^{\mathrm{priv}})$——同一份 eval 分布上、看得见全部 state 时的 task-utility upper bound |
| 落到哪一层（§2.0 表 2） | Utility（响应合法性另归 $E_{\mathrm{contract}}$、见 §2.0 表 2 Behavioral use 行） | Utility 层的 upper bound（$\mathrm{Gap}_{\mathrm{oracle}} = J_{\mathrm{oracle}} - J_{\mathrm{full}}$ 给"contract 里有多少信息 policy 没用"定 scale） |
| 需要 counterfactual rollout 吗 | 需要（$(O_k, \hat S_k)$ 联合 re-render、$T_k^{\mathrm{world}}$） | 不需要（就是原始 eval 分布 + privileged 输入） |
| 能否合并成一个总分 | 不能 | 不能 |
一句话收束：HPC 的 $\mathcal{A}^*_k$ 是"action 集合"、oracle baseline 的 $\pi^*_{\mathrm{oracle}}$ 是"policy 对象"、二者是两种正交的 oracle——一个从"world-consistent 下 admissible action 集合"侧、一个从"privileged-state 上 utility 上界"侧、共同把 CAG 从"policy 只是讨厌格式变化"与"学到 age↔difficulty shortcut"这两个 alternative hypothesis 里剥出来。benchmark 报告时二者必须并列、不可合并：合并成一个数会同时丢掉"HPC 关心的 counterfactual-world capability"与"oracle gap 关心的 current-eval upper bound"、而这两件事在 §2.0 表 2 里落到的评估层与回答的问题都不同。
2.6 Safety evidence $E_{\mathrm{safety}}$：Constraint certification intervention（v5 三态）
本节锚点：§2.0 表 1 Layer = Safety（constraint certification intervention）· 表 2 层 = Safety（独立于 utility）· 训练时对 §1.3 三态 filter（safe→relaxation permitted / unsafe→tighten or stop / unknown→conservative fallback）。
在部署 / 半仿真环境里主动把 §1.3 的 $\mathrm{certification}_j$ 打到 unsafe 或 unknown（例如注入 calibration drift、把 observability 关掉、把 $\Lambda(E^-; H, \mathcal O)$ 拉高）、看 safety filter 是否在正确的时刻进入正确的 guardrail、以及 guardrail 触发是否可归因到 certification 的哪一项。关键判定不再是"filter 是否 stopped policy"、而是"filter 是否收紧了 constraint"（§1.3 已经写死：invalid evidence alone cannot justify relaxing constraint）。测的三种正确反应是 fallback、conservative tightening、stop；测的错误反应是"在 evidence 不充分的条件下 relax"。观测到"unknown 或 invalid 单靠自身导致 relaxing"、$E_{\mathrm{safety}}$ 直接 fail。反过来、如果另一路独立 valid evidence（例如 lidar）已经把 certification 推到 safe、filter 允许 relax 是正确反应、v4 会把这种情形误判、v5 因为引入了三态所以不会。这一类是 §1.3 接口的直接对应、也是整篇 interface 主张真正能不能落地的测试。
四类合起来构成一个多证据 compliance argument：semantic 测"响应规则对不对"、representation 测"信息还在不在（且独立于 raw observation）"、decision 测"用了没 / 有没有 shortcut"、safety 测"unknown / invalid 时收紧没"。它们都不能替代任何端到端 success rate——它们衡量的是 policy 侧对 contract 的读取度、不是表现力。这一点与 前篇 §0.3 Claim 3 完全对齐：contract compliance must be tested by controlled intervention、并且必须由四类证据合流支持。
3. 最小可执行接口草图（Python skeleton · v6 修复版）
把 前篇 §4 三族 primitives 与 §2 四种 compliance evidence 合起来写成一个 Python 类骨架。不是要给出一个具体 policy、是要给一个可读的接口约定。
class StructuredStateView:
def __init__(self, contract: StructuredState,
consumer_contract: ConsumerContract, # C_pi + supported_version
query_family: QueryFamily, # Q_{C_pi}; induces ~_pi
required_queries: QueryFamily): # Q_C^req, with weights w_q
# schema compatibility gate: version mismatch must fail closed or run adapter
self.compatibility = check_schema_compatibility(
contract.schema_version,
consumer_contract.supported_version,
adapter=consumer_contract.adapter, # may be None -> strict fail
)
# v6 P1-10: fail-closed is actually enforced, not just recorded.
if not self.compatibility.accepted:
raise SchemaCompatibilityError(
f"schema_version={contract.schema_version} incompatible with "
f"supported_version={consumer_contract.supported_version}; "
f"either upgrade C_pi or provide an explicit adapter."
)
self.contract = contract
self.C_pi = consumer_contract
self.Q = query_family
self.Q_req = required_queries
def declared_coverage_loss(self) -> float:
# v6 P1-4: L_declared via query subsumption, not literal set membership.
# A required q is covered if ∃ q' ∈ Q_C_pi such that q' ≽ q.
def covered(q):
return any(self.Q[q2].subsumes(q) for q2 in self.Q)
return sum(self.Q_req[q].weight for q in self.Q_req if not covered(q))
def project(
self,
schema: PolicySchema,
# --- mode_select (mass-preserving, not calibration) ---------
mode: Literal["map", "posterior_sample", "topk"] = "topk",
# v6 P1-11: two ORTHOGONAL knobs (previously conflated in `topk_residual`)
topk_weight_mode: Literal["conditional", "raw"] = "conditional",
residual_mode: Literal["drop", "mass_only", "sufficient_stats"] = "mass_only",
# --- staleness / uncertainty knobs --------------------------
staleness: Literal["ignore", "parallel_field", "condition"] = "parallel_field",
uncertainty: Literal["none", "conservative_inflation", "propagate"] = "conservative_inflation",
# --- source-structure knobs ---------------------------------
provenance: Literal["ignore", "harden"] = "harden",
dependency: Literal["ignore", "logit_bias_learned",
"covariance_fusion", "hierarchical_mixture"] = "covariance_fusion",
negative_evidence: Literal["ignore", "condition", "belief_update"] = "condition",
# --- v6 P1-12: benchmark-side RNG control -------------------
benchmark_rng: Optional[np.random.Generator] = None,
) -> PolicyInput:
"""
Project StructuredState (upstream, 9/14) to PolicyInput (downstream, this piece).
The (C_pi, Q_C_pi) pair literally defines ~_pi; q_pi is the induced quotient map.
e_pi is the encoder of the specific backbone and must not silently drop anything
q_pi declared preserved; pi_theta may further collapse distinctions at the
action level (see 前篇 §0.2.2: three semantic losses + one safety obligation).
Benchmark note (v6 P1-12): when `mode='posterior_sample'` is used inside an
intervention benchmark (T_i vs T_j), caller MUST pass a shared `benchmark_rng`
so both arms consume the same random numbers. Otherwise the observed distance
D(π(T_i S), π(T_j S)) mixes intervention effect with sampling noise and
contaminates HSS / SDS / E_contract.
"""
slots = {}
for field_name in schema.fields:
h = self.contract[field_name] # hypothesis set: [(mu_i, Sigma_i, w_i)]
# --- mode_select: mass-preserving top-k (NOT calibration-aware) ---
if mode == "map":
mu, Sigma, w_payload, residual = h.most_likely().mu, h.most_likely().Sigma, None, None
elif mode == "posterior_sample":
rng = benchmark_rng or h.default_rng # v6: shared RNG in benchmark mode
sample = h.sample(rng=rng)
mu, Sigma, w_payload, residual = sample.mu, sample.Sigma, None, None
else: # "topk"
top = h.top_k(k=schema.k_per_field[field_name])
residual_mass = 1.0 - top.total_weight()
# v6 P1-11: weight handling and residual handling are ORTHOGONAL.
if topk_weight_mode == "conditional":
w_payload = top.renormalize() # sum w̃_i = 1 within top-k
else: # "raw"
w_payload = top.weights # raw weights kept
# residual_mode expresses what we DO with the discarded mass:
if residual_mode == "drop":
residual_declared = None # explicitly dropped, not silently
elif residual_mode == "mass_only":
residual_declared = residual_mass # aggregate residual mass only
else: # "sufficient_stats"
residual_declared = h.residual_sufficient_stats() # full μ/Σ/likelihood
# NOTE: mass_only ≠ sufficient_stats. Strict Bayesian update over the residual
# component requires separate mu/Sigma/likelihood specifications (see 前篇 §4.1).
# Calibration (ECE_top-k / NLL / Brier) is measured in §2.2, NOT here.
# --- age_gate: three groups, never multiplicative on mu ---
# (i) payload: mu, Sigma
# (ii) metadata quintuple: (α, ℓ, h, v, ι) — α = age, ι = availability
# (iii) derived trust q = τ(α, ℓ, h, v, ι, ...)
age = h.age # α_c
validity = h.validity_ok # v_c
availability = h.available # ι_c (payload exists?)
health = h.sensor_health # h_c
latency = h.causal_status # ℓ_c
trust = clamp(
tau_curve(age, latency, health, validity, availability,
schema.tau_config[field_name]),
min=schema.trust_eps, # numerical guard: τ ≥ ε
) # q_c is meta, does NOT scale μ_c
# uncertainty handling: propagation is the general form,
# Σ/τ is only ONE conservative approximation.
if uncertainty == "none":
Sigma_eff = Sigma
elif uncertainty == "propagate":
Sigma_eff = propagate_uncertainty(
Sigma, dt=age, u=h.control_state, f=schema.dynamics_model
)
else: # "conservative_inflation"
Sigma_eff = inflate_uncertainty(Sigma, trust) # e.g. Σ/clamp(τ, ε), guarded
slots[field_name] = dict(
mu=mu, Sigma=Sigma_eff,
alpha=age, validity=validity, iota=availability, # v5: α / ι names
health=health, latency_status=latency,
trust=trust, w_payload=w_payload,
residual_declared=(residual_declared if mode == "topk" else None),
)
# --- provenance / dependency / negative evidence, three reads ---
prov_mask = self.contract.contributing_mask if provenance == "harden" else None
if dependency == "logit_bias_learned":
# b(R_ij) is learned and CAN be positive or negative.
# Convenient implementation candidate on transformer backbones;
# NOT the canonical default of dependency_aware_fusion (前篇 §4.3.2 v5).
dep_payload = FieldRelationPayload(self.contract.correlated_with)
elif dependency == "covariance_fusion":
dep_payload = self.contract.correlated_with # fed into Kalman / factor graph
elif dependency == "hierarchical_mixture":
dep_payload = self.contract.correlated_with # latent grouping
else:
dep_payload = None
lam = self.contract.conditional_llr if negative_evidence == "condition" else None
# `lam` is Λ(E; H, O); negative evidence is just the special case E = E^-.
return PolicyInput(slots=slots,
contributing_mask=prov_mask,
dependency_payload=dep_payload,
conditional_llr=lam,
schema=schema,
C_pi=self.C_pi, Q=self.Q,
compatibility=self.compatibility)
class SafetyFilterHead(nn.Module):
"""v6: safety is not a fourth information loss; it is a distinct obligation slot.
Reads three-state certification, NOT a binary validity bit.
Multi-constraint combination is INTERSECTION, not short-circuit on first unsafe/unknown.
"""
def __init__(self):
super().__init__()
def forward(self, a_proposed, contract) -> Action:
# g_safety = ⋂_j g_j — every constraint contributes its own allowed subset,
# we compose them; we never `return` early on the first tightening.
a_applied = a_proposed
for j, constraint in enumerate(contract.constraints):
cert = constraint.certification # ∈ {safe, unsafe, unknown}
if cert == "safe":
# safe → relaxation is PERMITTED, not required: constraint policy
# still applies at its normal margin. Do NOT `continue` past it.
a_applied = allow_normal_margin(a_applied, constraint)
elif cert == "unsafe":
a_applied = tighten_or_stop(a_applied, constraint)
elif cert == "unknown":
# invalid evidence ALONE cannot justify relaxing the constraint.
a_applied = conservative_fallback(a_applied, constraint)
return a_applied
class ContractAwarePolicy(nn.Module):
def __init__(self, backbone, schema: PolicySchema, cfg: ContractReadConfig,
consumer_contract: ConsumerContract, query_family: QueryFamily,
required_queries: QueryFamily):
super().__init__() # v6 P1-10: nn.Module init (was a real bug)
self.backbone = backbone
self.schema = schema
self.cfg = cfg # cfg is a *materialization* of q_pi,
self.C_pi = consumer_contract # but the actual declared quotient lives in (C_pi, Q)
self.Q = query_family
self.Q_req = required_queries
# three semantic loss sites + one safety obligation site:
# L_declared — on (C_pi, Q, Q_req): coverage via query subsumption
# L_projection — on Π_π output Z_π: I(Y_C^π; Ŝ | Z_π, O, L)
# L_decision — on π_θ: E_{R_D}[ 1[D_A(π(.|S), π(.|S')) < ε] ]
# O_safety — on g_safety: safe→allow_normal_margin /
# unsafe→tighten_or_stop /
# unknown→conservative_fallback
def forward(self, state: StructuredState, obs, lang) -> ActionDistribution:
x = StructuredStateView(state, self.C_pi, self.Q, self.Q_req).project(
self.schema, **self.cfg.as_kwargs())
return self.backbone(x, obs, lang)
三条 caveat 明确写死：
- (i) 这不是唯一读法、
cfg是本文 前篇 §0.2 里的 $q_\pi$ 的一个 materialization、但真正的 declared quotient 是 $(\mathcal C_\pi, Q_{\mathcal C_\pi})$ 这一对——同一个 contract、VLA 与 Diffusion Policy 的cfg就该不一样、engineered state head 与 visual latent head 的最优uncertainty也不同。接口文档里必须贴出一张 $Q_{\mathcal C_\pi}$ 清单、否则 $q_\pi$ 又退化成 encoder 里的隐式行为。schema 兼容性也必须 fail-closed 或走显式 adapter（前篇 §0.2.3）、不然 $\mathcal C$ 升到 v2 会静默丢字段、正落入本文批评的 undeclared semantic loss。 - (ii) 这个接口只解决输入端；§1.1 的三类 intervention 约束、§1.2 的 observed-metadata-only aug、§1.3 的三态 certification 直连——如果一处不改、$(\mathcal C_\pi, Q_{\mathcal C_\pi})$ 写得再漂亮也会被 $\pi_\theta$ 训练动力绕过去（$L_{\mathrm{decision}}$ 直接爆）。三个 loss 加一个 safety obligation 缺一个都守不住接口。
- (iii)
dependency="logit_bias_learned"在 transformer 上是一种便捷实现候选、不是 canonical default——因为 field-graph → token-graph 的编译问题（$R_{\text{field}} \to R_{\text{token}}$）本身还没解决（前篇 §4.3.2 v5 caveat）。MLP head 走covariance_fusion、Kalman / factor-graph 融合走covariance_fusion、grouped latent 走hierarchical_mixture——真正 recommended 的是 dependency_aware_fusion 这条 primitive、不是它的某种具体 realization。
3.1 head ↔ §2 evidence 对应（benchmark-side pseudo-stub）
上面的 skeleton 定义了 reader 侧 每 head 的 knob 长什么样、但没说"benchmark 侧要拿这个 knob 的哪一路输出、去跑 §2 的哪一条 evidence"。这一小节把这条线补上——每个 knob 都能对应到 §2.0–§2.6 里的一条具体 evidence 站点、不留悬空字段。
| §3 head / method 输出的字段或 knob | 被哪一节 evidence 消费 | 具体消费式（§2.0 表 1 / 表 2 定位） |
|---|---|---|
StructuredStateView.__init__ 的 compatibility | §2.0 表 1 Contract 行 · fail-closed SchemaCompatibilityError | schema audit：assert compat.accepted 或显式 adapter、否则整条 pipeline 视为不可审计 |
StructuredStateView.declared_coverage_loss() | §2.0 表 1 Declaration 行 · $L_{\mathrm{declared}}$ via query subsumption | 直接返回 $L_{\mathrm{declared}}$、benchmark 侧只需按 $w_q$ 报告非零 $q$ |
project 的 topk_weight_mode / residual_mode | §2.2 Retention 上半 conditional probe + §2.5 $\mathrm{CAG}^{\mathrm{fixed}}_{\mathrm{hyp}}$ | 固定 $o$、swap 两个 knob、看 $z_\pi$ 是否仍独立携带 field 信息（Retention 层）；对同一份 $\theta^*$ 施加 $\mathrm{collapse}_{\mathrm{hyp}}$、测 $\mathrm{CAG}^{\mathrm{fixed}}_{\mathrm{hyp}}$ 与 §2.5 matched null $\Delta J_{\mathrm{null}}$ 并列对照（要求 $\Delta J_{\mathrm{contract}} \gg \Delta J_{\mathrm{null}}$） |
project 的 staleness / uncertainty | §2.3 SDS（temporal 切片）+ §2.2 conditional probe | 沿 $\preceq^{\mathrm{declared}}_{\mathcal C_\pi}$ 排布 $\alpha$ 网格、测 $V_{\mathrm{order}}$ 与 $V_{\mathrm{trans}}$、以及 $I(\alpha; z_\pi \mid o)$ 是否保留 |
project 的 provenance / dependency / negative_evidence | §2.4 $\Delta J_{\mathrm{where}} / \Delta J_{\mathrm{dep}} / \Delta J_{\mathrm{neg}}$ + §2.5 $\mathrm{CAG}^{\mathrm{fixed}}_X$ | 三 knob 各自 ignore ↔ harden / covariance_fusion / condition 切换、evaluator 端算 utility 差、并跑 matched null control 排除 OOD sensitivity |
project 输出 PolicyInput 整体、施加 frame / coordinate / hypothesis permutation $T^{\mathcal C}$ | §2.1 Type I equivariance | 测 $D_{\mathcal A}(\pi_\theta(T\hat S),\, T^{\mathcal C}_\pi \pi_\theta(\hat S))$、$\mathrm{Equiv}\to 0$ 是硬要求；这一路是整个 PolicyInput 结构层面的 equivariance、不针对单个 slot |
project 输出 PolicyInput.slots[...].trust | §2.3 SDS（Type II 兑现） | trust $\tau(\alpha,\ell,h,v,\iota)$ 沿 $\preceq^{\mathrm{declared}}_{\mathcal C_\pi}$ 变化、测 $r(\pi_\theta(\cdot))$ 是否满足 §1.1 声明的 order-constrained response |
project 输出 PolicyInput.slots[...].w_payload | §2.2 HPC / HSS（counterfactual hypothesis 侧） | swap topk_weight_mode 或 hypothesis permutation 时、测 $U(\pi_\theta, \mathcal A^*_k)$ 与 $\mathrm{HSS}^c$（配 §2.2 competence gate） |
project 输出 PolicyInput.slots[...].residual_declared | §2.2 Retention 上半 conditional probe | residual_mode 走 drop → mass_only → sufficient_stats 阶梯、看 $I(\text{field}; z_\pi \mid o)$ 是否随之上升 |
SafetyFilterHead.forward 三态分支 | §2.6 Constraint certification intervention | benchmark 侧把 constraint.certification 逐条打到 unsafe / unknown（注入 calibration drift / 关 observability / 拉高 $\Lambda(E^-; H, \mathcal O)$）、验 a_applied 收紧而不是放松、且走交集而不是 first-return |
ContractAwarePolicy.forward 最终 ActionDistribution | §2.2 (A) $E_{\mathrm{contract}}(T^{\mathrm{contract}})$ + §2.2 (B) HPC($T^{\mathrm{world}}$) + §2.2 HSS$^c$ + §2.5 CAG + §2.5 oracle gap | 由 §2 五层 hierarchy（Retention / Sufficiency / Behavioral use / Utility / Safety）分别消费、benchmark 报告时并列展示、不合并（详见 §2.5 收尾注） |
benchmark-side pseudo-stub（不是完整实现、只是把 §3 head 与 §2 evidence 的调用关系钉在一张纸上）：
def run_contract_benchmark(
policy, dataset, C_pi, Q_C_pi, Q_req,
T_contract_set, T_world_set, collapse_set, alpha_grid, oracle_pi,
tau_E, delta, eps,
):
R = {} # §2.0 表 1 站点 + 表 2 层 的 evidence report
# ---- Contract site (§2.0 表 1 首行) ----------------------------------
R["schema_compat"] = audit_schema_compatibility(dataset, C_pi) # fail-closed
# ---- Declaration site (L_declared, §2.0 表 1 第二行) -----------------
R["L_declared"] = StructuredStateView(
dataset.sample_contract(), C_pi, Q_C_pi, Q_req
).declared_coverage_loss()
# ---- Projection site: Retention + Sufficiency (§2.2 上半) -------------
R["retention_cond"] = conditional_probe_I(policy, field="alpha", given="obs")
R["L_projection"] = conditional_MI(policy, Y_C_pi, S_hat,
Z_pi=..., O=..., L=...)
# ---- Decision site (§2.1 – §2.5) -------------------------------------
R["Equiv_TypeI"] = [D_A(policy(T(S)), T_a(policy(S)))
for T in T_contract_set] # §2.1
R["E_contract"] = [D_A(policy(T_c(S)), R_C(T_c))
for T_c in T_contract_set] # §2.2 (A)
R["HPC"] = [Pr_a_in_A_star(policy, T_w, k)
for k, T_w in enumerate(T_world_set)] # §2.2 (B)
R["HSS_c"] = hypothesis_separation(policy, T_c=T_c, D=D_A,
competence_gate=(R["E_contract"] < tau_E)) # §2.2
R["SDS_V_order"] = staleness_order_violation(policy, alpha_grid, r, delta)
R["SDS_V_trans"] = trans_section_distance(policy, alpha_grid, r) # §2.3
R["dJ_where_dep_neg"] = source_slice_ablations(policy, dataset) # §2.4
R["CAG_fixed"] = {X: J(policy, S) - J(policy, collapse_X(S))
for X in collapse_set} # §2.5
R["dJ_null"] = J(policy, S) - J(policy, format_preserving_null(S))
R["Gap_oracle"] = J(oracle_pi, s_priv) - J(policy, S) # §2.5 upper bound
# ---- Safety site (§2.6) ----------------------------------------------
R["O_safety_cert"] = constraint_certification_intervention(
policy.safety_head,
drive_to={"unsafe", "unknown"}, # benchmark 主动注入
expect="tighten_or_fallback", # 观测"收紧"而非"放松"
)
return R
读法：这一段的每一行注释都对齐 §2.0 表 1 的一站或 §2.0 表 2 的一层——benchmark 报告就是这张 dict 的 pretty print、按 Contract / Declaration / Projection / Decision / Safety 五站分层展示、每站下面列出对应的 §2.x 指标。注意 HSS_c 的 competence_gate=(R["E_contract"] < tau_E)——reviewer 抓过的 gaming 场景（“随机 policy 也能拉高 HSS”）就是靠这一 gate 挡住的、benchmark 报告必须把 E_contract 与 HSS 并列展示、不能合并成一个总分。同样 Gap_oracle（本节）与 HPC（§2.2）是两种正交 oracle、见 §2.5 收尾注、不可合并。
4. 收束：四条 compliance evidence、五层 evaluation hierarchy、一个可落地的接口
前篇（9/15）已经立住"policy 是 contract consumer"这一 thesis 的语义层——Consumer Contract 三段分解、三档 preservation、三个 semantic losses + 一个 safety obligation、四种 interface-mismatch 失败模式、三族 contract-read primitives。本文（9/16）承担的是它的度量层与实现层——四类 compliance evidence、五层 evaluation hierarchy、最小可执行接口骨架。两半合起来才把"policy 侧接口"这一整块从概念推到协议。
本文的三条收束 claim 与 §0.3 对齐：
Claim A · Compliance is a multi-evidence argument, not a score. §2 四类 evidence——semantic / representation / decision / safety——各自回答不同问题、不能互相顶替、不能压成一个 scalar。$E_{\mathrm{semantic}}$ 测"响应规则对不对"、$E_{\mathrm{representation}}$ 测"信息还在不在（且独立于 raw observation）"、$E_{\mathrm{decision}}$ 测"用了没 / 有没有 shortcut"、$E_{\mathrm{safety}}$ 测"unknown / invalid 时收紧没"。这四类都不能替代端到端 success rate——它们衡量的是 policy 侧对 contract 的读取度、不是表现力。
Claim B · Evaluation layers do not imply each other. §2.0 五层 hierarchy Retention ≠ Sufficiency ≠ Behavioral use ≠ Utility ≠ Safety 的四条不蕴含关系是 §2.2 拆 $E_{\mathrm{contract}}(T^{\mathrm{contract}})$ / HPC($T^{\mathrm{world}}$)、§2.5 拆 CAG$^{\mathrm{fixed}}$ / CAG$^{\mathrm{retrained}}$、§2.6 拆 constraint certification intervention 的根本动机。任何把某一层 score 顶到另一层的做法都是 shortcut。
Claim C · The interface is where the bugs hide, not the architecture. §3 Python 骨架 v6 修的三处 bug——
super().__init__()缺失、fail-open schema 兼容检查、top-$k$ API 把两个正交决策（topk_weight_mode/residual_mode）揉成一个字符串——都不是模型架构问题、都是接口层问题。这类 bug 会静默地把 contract 语义压平、loss 曲线不响、eval score 不响、只能靠 §2 的四类 evidence 合流才能测出来。
4.1 一张收束图
$$\boxed{\;\mathcal C\;\longrightarrow\;(\mathcal C_\pi=(Q_\pi,\mathcal O_\pi,V_\pi),\;Q_{\mathcal C_\pi})\;\longrightarrow\;q_\pi\;\longrightarrow\;\Pi_\pi\;\longrightarrow\;\pi_\theta\;\longrightarrow\;g_{\mathrm{safety}}=\textstyle\bigcap_j g_j\;\longrightarrow\;\mathcal B_{\mathcal C}\;}$$$$\boxed{\;\text{Compliance Evidence}=\big\{E_{\mathrm{semantic}},\;E_{\mathrm{representation}},\;E_{\mathrm{decision}},\;E_{\mathrm{safety}}\big\}\;\longrightarrow\;\text{Five-Layer Evaluation Hierarchy}\;}$$前篇的 boxed thesis——A policy is a contract consumer, not merely a function approximator——在本文的兑现是：一个 contract consumer 不仅要能回答前篇四问（what may I discard / what did I retain / how should decisions respond / what happens under invalid-or-unknown evidence），还要能被四类证据分别审计、五层 hierarchy 层层不蕴含地评估、Python 骨架里的每一个接口 bug 都能被 §2 的某个 evidence 定位到。接口对了、模型选择才是次要问题；接口不对、任何 backbone 都会静默把 contract 语义压平。
4.2 下一步：Contract-Preserving Policy Benchmark
本文与 9/15 前篇合起来把这一系列推到"下一篇文章就能立 benchmark"的位置：
$$\textbf{Contract-Preserving Policy Benchmark}:\;\text{给定同一份 Structured State Contract、如何系统地测 SAC / PPO / Diffusion Policy / ACT / OpenVLA / }\pi_0\text{ 是否 contract-compliant.}$$每一个 loss 与 obligation 各自对应 §2 的一类可测量、每一个 pipeline 站点各自对应 §2.0 表格的一行、每一个 §3 的接口 bug 各自对应 §2 的一个 counterexample 测试。benchmark 侧还需要明确的三件事：$\tau_E$ competence gate 阈值的跨任务设定原则、§2.3 hinge loss $\delta$ 与 §2.5 CAG matched null 的 $\delta$ 的一致任务级选取、§3.5 shortcut detection 的具体对照实验（打乱 observation age 与 task difficulty 之间的相关性）。这三件事本文不做、留给 benchmark 篇。
一句收束：VLA / Diffusion / Flow / ACT / SAC / PPO 都只是实现坐标、不再是理论分类——真正决定一个 policy 能不能上生产的是它的接口对不对、能不能被 §2 的四类 evidence 合流审计通过、能不能在 §2.0 五层 hierarchy 里逐层给出可测量的响应。前篇把 interface 立起来、本文把 protocol 与 skeleton 立起来；下一篇文章把 benchmark 立起来。
Sources
以下 arXiv ID 已联网核过；journal-only 引用不贴 arXiv。按支撑的 section 分组。前篇（9/15）的 Sources A · VLA / B · Diffusion / D · SAC-PPO 在本文不重复列举——本文只列 evaluation 与 implementation 侧新引入的参考文献。
C · 不确定性、校准与 belief-space 参照（支撑 §2.2 calibration diagnostic、§2.5 CAG oracle baseline）
- Guo et al., On Calibration of Modern Neural Networks, ICML 2017 · arXiv:1706.04599（现代网络过度自信、temperature scaling 起点 · §2.2 calibration diagnostic 的评估依据、不挂在 primitive 上）
- Hafner et al., Learning Latent Dynamics for Planning from Pixels（PlaNet / RSSM）, ICML 2019 · arXiv:1811.04551（deterministic + stochastic latent · §2.2 conditional probe 与 §2.5 CAG oracle baseline 的一条相邻参照路线）
- Hafner et al., Mastering Diverse Control Tasks through World Models（DreamerV3）, Nature 2023 · arXiv:2301.04104（离散 + 连续混合 latent、KL balancing · §2.2 HPC($T^{\mathrm{world}}$) counterfactual-intervention 的一条相邻路线；注意：本文对 DreamerV3 的引用是 evaluation reference、不是说 DreamerV3 已经实现 contract-aware 接口）
E · 承接前文与政策侧接口前篇（本文的 framework 输入与 evaluation spine 输入）
- 本博客《契约立起来之后：VLA、Diffusion Policy、π0 到底在消费什么》·
/zh/articles/2026-09-15-policy-side-interface/（本文前篇、建立 §0.2 复用 pipeline 的全部 framework：Consumer Contract 三段分解、三档 preservation、三个 semantic losses + 一个 safety obligation、四种 interface-mismatch 失败模式、三族 contract-read primitives；本文 §1–§3 直接在前篇 framework 上做 evaluation 与 implementation） - 本博客《拼起来不等于看懂：机器人多模态融合缺的不是模型、是接口》·
/zh/articles/2026-09-14-multimodal-fusion-interface/（Structured State Contract 定义、Interface Property Benchmark、degradation chain · 前篇 §0.2 $q_\pi$ 与本文 §1 augmentation、§2 evidence 建立在其上） - 本博客《只会看、不会摸：机器人为什么缺一双"手感"的手》·
/zh/articles/2026-09-13-tactile-force-sensing/（力 / 触觉的四种控制范式、Closed-loop value · §2.4 $\Delta J_{\mathrm{where/dep/neg}}$ source 切片的物理动机、§3 safety filter 三态化的一个具体现场） - 本博客《具身智能 Sim-to-Real 方法论（三）》·
/zh/articles/2026-09-12-sim-to-real-evaluation-protocol/（三级证据层、decision utility 三维、allocation protocol · 本文 §2 evaluation spine 直接沿用） - 本博客《具身智能 Sim-to-Real 方法论（一）》·
/zh/articles/2026-09-10-sim-to-real-methodology/（allocation state $s_t=(b_t,\pi_t,q_t,h_t)$、$\Delta_{\mathrm{queue}}$ vs $\Delta_{\mathrm{processing}}$ · 前篇 §2/§4.2 定义直接接上、本文 §2.3 SDS 的 temporal slice 与 §1.2 Type II order-constrained response 沿用其 staleness 语言）
F · Evaluation protocol 参照（本文 §1.1 / §2 / §3 用到的评估方法学参照）
- Osband et al., What Type of Code is Relevance in Randomized Control Trials?, 2018 · arXiv:1802.08670（evaluation methodology 参照、本文 §2.5 matched null control 与 §2.2 competence gate 借用其"null intervention"思想、不宣称本文与 RCT 在因果结构上等价）
- Adebayo et al., Diagnostic Explanations for Deep Learning Models, ICML 2018 · arXiv:1806.07537（probing-based diagnostic 参照、本文 §2.2 conditional probe 与其同族、但本文的 probe 是在 $o$ 条件上的 residual MI、不是原始 probing classifier accuracy）
- D’Amour et al., Underspecification Presents Challenges for Credibility in Modern Machine Learning, JMLR 2021 · arXiv:2011.03395（evaluation underspecification 参照、本文 §2.0 五层 hierarchy 与四条不蕴含关系是对"单一 score 隐含假设"这一 failure mode 的直接回应）
注意：本文对 π0 / OpenVLA / Diffusion Policy 家族的引用是前篇的分析性引用（interface critique）；本文不重复这些引用、只引 evaluation 与 implementation 侧方法学参照。前篇的 A / B / D 三块 Sources 在本文一律不重复列举。
相关阅读
- 契约立起来之后：VLA、Diffusion Policy、π0 到底在消费什么——本文前篇、policy 侧接口的 framework 篇
- 拼起来不等于看懂：机器人多模态融合缺的不是模型、是接口——Structured State Contract 上游定义、本文与 9/15 共同的上游交付物
- 只会看、不会摸：机器人为什么缺一双"手感"的手——力 / 触觉侧、§2.4 source slice 与 §3 safety filter 三态化的物理动机
- 具身智能 Sim-to-Real 方法论（三）——本文 §2 evaluation spine 的直接来源
- 具身智能 Sim-to-Real 方法论（一）——staleness / queue vs processing 的语言来源
- VLA 与世界模型：两条路线的分岔与合流——§2.2 HPC($T^{\mathrm{world}}$) 与 world-model-side oracle 的宏观背景
评论