EchoVLA: Synergistic Declarative Memory for VLA-Driven Mobile Manipulation

Summary

EchoVLA: Synergistic Declarative Memory for VLA-Driven Mobile Manipulation

• 核心: 把人脑 declarative memory 的 PHC（场景）+ hippocampus（情景）双路结构搬到 VLA 里，给 mobile manipulation 加一个持久 voxel scene memory 和一个 FIFO episodic token buffer，分别用 coarse / fine cross-attention 检索后注入 per-part diffusion policy
• 方法: SigLIP（text + 3 view RGB，frozen）+ PointAttn（point cloud，trainable）+ MLP（proprio）→ token 序列 S_t；scene memory 是 voxelized 3D feature map，按 reconstruction-error 阈值 τ 触发更新；episodic memory 是窗口 L 的 FIFO；两路 cosine top-k 检索 + cross-attn 拼成条件 H_t，喂 base / arm 两个独立 diffusion denoiser
• 结果: RoboCasa 上 Manip+Nav avg SR 0.52 / mobile manip avg SR 0.31，分别比 π_0.5 baseline 高 +0.20 / +0.11；TidyBot++ 真机 6 任务 avg 0.44，π_0.5 0.33 / Diffusion Policy 0.32
• Sources: paper
• Rating: 2 - Frontier（当前 mobile-manip VLA 的 frontier 探索：explicit dual memory + per-part diffusion 的组合有新意且带诚实的 failure mode 分析，但未开源、memory 的因果贡献未干净隔离，尚未达到 foundation 级影响力）

Key Takeaways:

1. Dual memory ≠ single buffer: 把 “环境长期空间结构”（scene, voxel）和 “任务短期进度”（episodic, token FIFO）分开存、分开检索、分开融合，比 MemoryVLA 那种一锅端的隐式 perceptual cache 更解耦，主张是非 Markov 任务（“cabinet opened” vs “about to open”）需要 explicit time index
2. Per-part diffusion: 沿用 π_0.5 的 base / arm 解耦思路，但每路 denoiser 共享同一个 memory-augmented condition H_t，实验中比 π_0.5 在 mobile manip 上多 +0.11 SR
3. MoMani benchmark: 一个 MLLM-prompted 自动数据生成 pipeline（在线生成 + 硬质量门 + 离线词典序排序），产出 5K+ 仿真 nav-manip 联合轨迹，外加 1.2K TidyBot++ 真机 demo
4. Failure mode 自爆: 论文承认在 OR (open refrigerator) 上输给 baseline——动态遮挡（开门时几何剧变）让显式 voxel 3D memory 反而成累赘，依赖 implicit “muscle memory” 的方法此时更稳

Teaser. EchoVLA 与既有 memory-aware mobile manip 方法（BSC-Nav、MemoryVLA）的设计对比。 EchoVLA 的关键差异是把 spatial 和 episodic 拆成两个独立 bank，分别走 coarse / fine cross-attn，最后融合后驱动 per-part diffusion。

---

1. 问题与动机

Mobile manipulation 的 non-Markov 困境

主流 OpenVLA / RT-2 系 VLA 都是 Markovian——a_t = π(o_t, I)，仅依赖当前观察。这在 table-top 短任务上 work，但 mobile manipulation 必须协调 navigation + manipulation，且：

• 视觉相似的两帧可能对应完全不同的进度状态（“cabinet opened” vs “about to open”）
• 跨房间长任务里，刚刚走过的房间布局对当前决策仍然相关，但已经不在视野内

需要某种 memory。论文的 framing 是从 declarative memory 的脑科学类比出发：parahippocampal cortex (PHC) 编码空间-语义结构，hippocampus 把上下文整合成时序索引的 episodic trace。

❓ 这种脑神经类比在 ML paper 里更多是 narrative 装裱，真正的 design choice 还是工程驱动的（voxel map + FIFO buffer）。读这类 paper 时建议直接看架构，不要被 PHC/hippocampus 这层叙事带偏对方法新颖性的判断。

与既有 memory-aware 方法的差异

• BSC-Nav：landmark memory + cognitive map → LLM-based reasoning 和 planning（高层）
• MemoryVLA：perceptual + cognitive memory → 直接条件 diffusion policy（低层），但 memory 是隐式 perceptual cache，没有 explicit 空间结构和 task-level experience
• π_0.5：base / arm per-part 分解，带 partial episodic memory，但缺 explicit scene-level memory
• EchoVLA：scene (voxel) + episodic (token FIFO) 两路独立存 + 两级 attention 融合，per-part diffusion 控制

---

2. 方法

2.1 架构总览

Figure 2. EchoVLA 整体架构。 多模态观测（多视角 RGB、点云、language、proprio）→ 统一 token 序列 → 经 episodic / scene memory 的 coarse + fine cross-attn 检索 → 拼合后作为 per-part diffusion policy 的 condition，分别生成 arm / base 动作。

三个模块：multimodal state representation (3.2) → memory retrieval & interaction (3.3) → per-part diffusion (3.4)。

2.2 Problem Formulation

时刻 t，agent 观察多视角 RGB-D O_t、proprioceptive s_t、自然语言 instruction I，输出连续的 arm + base 动作：

$$(a_t^{\text{arm}},a_t^{\text{base}})={\pi }_{\theta }(\mathcal{I},{\mathcal{O}}_{1:t},{\mathbf{s}}_{1:t}).$$

强调是 non-Markov：condition 是从 1 到 t 的整段历史而非单 frame。

2.3 Multimodal State Representation

每个模态独立 encoder：

• Language：SigLIP text tower（frozen）→ L
• 3 个固定相机的 RGB：SigLIP vision tower（frozen），独立编码后 concat + 投影 → V_t
• Depth → point cloud：trainable PointAttn → P_t（提供 free-space、support surface、object boundary 等几何线索）
• Proprio s_t：MLP → R_t

拼成统一 token 序列：

$${\mathbf{S}}_t=[\mathbf{L},{\mathbf{V}}_t,{\mathbf{P}}_t,{\mathbf{R}}_t]$$

S_t 既是 episodic memory 的 query，也是 diffusion policy 的 condition base。

❓ frozen SigLIP + trainable PointAttn 这种 “语义冻结、几何可学” 的组合很常见，但论文没说 RGB 与 PC token 之间是否有 cross-modal alignment loss——可能就是简单 concat，靠下游 cross-attn 自行学融合。

2.4 Scene Memory（PHC 类比）

Figure 3. Voxelized 3D feature map 可视化。 把多次 episode 的 depth 观测累积进 voxel 网格，再用 PointAttn 编码成 3D feature volume。

形式：

$${\mathbf{V}}_t^{3D}\in {\mathbb{R}}^{X\times Y\times Z\times C}.$$

Discrepancy-driven 更新：当前 voxel 特征 V^3D_t 与 memory 已有重建做对比，error 超阈值 τ 的区域才用新 PointAttn 特征覆盖，未变区域保留旧值。Inference 时也同样在线 refine，所以理论上能自适应环境变化（rearrangement）。

❓ “reconstruction” 怎么生成的没细写——猜是从 memory voxel 反向 decode 一组 PointAttn-comparable 特征做 cosine 比较。论文没给 decoder 结构，是 reproducibility 的洞。

2.5 Episodic Memory（hippocampus 类比）

短窗口 token buffer：

$${\mathcal{M}}^{\mathrm{epi}}=\{({\mathbf{S}}_{t-k},t-k),\dots ,({\mathbf{S}}_{t-1},t-1)\}$$

固定大小 FIFO，保存原始 encoded token（不做 abstract summary），强调 “原始 token 才能保住 fine-grained 时序线索”。窗口 size L 由 capacity 决定，ablation 中 L=8 最优。

设计上和 scene memory 互补：scene 慢变 + 持久 + 空间结构；episodic 快变 + 短期 + 时序进度。

2.6 Memory Matching & Attention

两步式：cosine top-k 选 → cross-attn 交互。

Scene memory（coarse）：query 是当前 V^3D_t，从 M^scene 中选 top-k 相近的 stored map：

$${\mathbf{Z}}_t^{\mathrm{scene}}=\mathrm{CrossAttn}(\text{q}={\mathbf{V}}_t^{3D},\text{k / v}={\mathcal{M}}_{\mathrm{sel}}^{\mathrm{scene}}).$$

Episodic memory（fine）：query 是 S_t，从 M^epi 中 match：

$${\mathbf{Z}}_t^{\mathrm{epi}}=\mathrm{CrossAttn}(\text{q}={\mathbf{S}}_t,\text{k / v}={\mathcal{M}}_{\mathrm{sel}}^{\mathrm{epi}}).$$

拼合：

$${\mathbf{H}}_t=[{\mathbf{Z}}_t^{\mathrm{scene}},{\mathbf{Z}}_t^{\mathrm{epi}}]$$

H_t 即下游 diffusion 的 condition。

2.7 Per-part Diffusion Policy

base 和 arm 各一套 denoiser，共享 condition H_t：

$${ϵ}_{\theta }^{(p)}={\text{Denoiser}}_p({\mathbf{z}}_t,{\mathbf{H}}_t,t),p\in \{\text{base},\text{arm}\}$$

训练目标是两路 denoising loss 之和：

$$\mathcal{L}=\sum _{p\in \{\text{base},\text{arm}\}}{\mathbb{E}}_{t,{\mathbf{z}}_t}[\Vert ϵ-{ϵ}_{\theta }^{(p)}({\mathbf{z}}_t,{\mathbf{H}}_t,t){\Vert }^2].$$

承袭 π0.5 的 per-part 解耦动机：base motion 和 arm manipulation 的动力学异质，强行共享 head 会互相干扰。

❓ Per-part 设计在 mobile manip 上越来越像标配了（π0.5、MoManipVLA、AC-DiT 都做这件事），但每家 condition 怎么 share / split 各有差异，是个值得整理的小 pattern。

---

3. MoMani Benchmark & Dataset

3.1 与既有 benchmark 的对比

Table 1. MoMani vs 现有具身 benchmark。 Sub-tasks 是单 trajectory 内的子任务数；R/S 是 real / sim；Co-Gen 指 navigation + manipulation 联合自动生成；Mobile-M (Sim) 指 sim 中的 mobile manipulator；Real-Robot 指有实体机器人数据。

Name	Sub-tasks	Real	Sim	Nav-gen	Manip-gen	Co-Gen	Mobile-M (Sim)	Real-Robot	Action
ManiSkill2	1-2	-	✓	-	✓	-	✓	-	M
Social Nav	1	-	✓	✓	-	-	✓	-	N, M
HomeRobot	3	-	✓	✓	✓	-	✓	✓	N, M
ProcTHOR	3	-	✓	✓	✓	-	✓	-	N, M
Behavior-1K	>5	-	✓	✓	✓	-	✓	-	N, M
Open X-Embodiment	1-3	✓	-	-	-	-	✓	✓	M
RoboCasa365	2-16	-	✓	✓	✓	-	✓	-	N, M
InfinitedWorld	3	-	✓	✓	✓	✓	✓	-	N, M
MoMani (Ours)	2-3	✓	✓	✓	✓	✓	✓	✓	N, M

主张是只有 MoMani 同时勾上 Real + Sim + Co-Gen + Mobile-M (Sim) + Real-Robot。

❓ 表里 sub-tasks 一栏 MoMani 写 “2-3”，反而比 RoboCasa365 (2-16) 和 Behavior-1K (>5) 短，但被宣传为 “richer task coverage”——richness 应该用任务数和环境多样性而非 sub-task 长度衡量，此处 framing 略 sloppy。

3.2 仿真数据 pipeline

Figure 5. Quality-Controlled Data Engine。 两阶段——在线候选生成 + 离线挑选审计。

Stage I: Online Candidate Generation

• MMLM prompter 处理任务规范，依次执行 Target-Aligned Sampling (L1)、Safety-Aware Navigation (L2)、Continuous Nav-Manip Stitching (L3)
• 引擎支持 base + arm 同时执行，用连续碰撞检测合成协调的 nav-manip 轨迹
• Hard Quality Gates：零碰撞、对齐精度（Δpos < 0.05 m、Δori < 5°）、100% task success → 进入候选池 D_pool

Stage II: Offline Selection & Audit

• Lexicographic Ranking (L4)：按 path length + planning cost 排序，取 top-K 作为专家级 D_topK
• Scene-Camera Audit 保证训练就绪
• 最终生成 5,000+ 多模态轨迹

3.3 Real-Robot 数据

基于 TidyBot++ 配置：Kinova Gen3 7-DoF 臂 + holonomic mobile base，前置 RGB-D + 顶视 stereo 相机，ROS 同步。Web teleop 30 Hz 录制，分割成 motion primitive，replay 验证成功的留下、失败丢弃。

3.4 Dataset Composition

Figure 4. 仿真 + 真机数据分布。 Sim 包含 4 个 mobile manip 任务 (TOF/PnPS2C/PnPC2S/TOS) 和大量纯 navigation；Real-world 6 个 mobile manip 任务 (CM/OD/OR/PCIS/RK/EnP)。

• Sim (7,889 episodes)：navigation-only 占 57.0%，PnPC2S/PnPS2C/TOS/TOF 各约 10.7-10.8%
• Real-world (1,200 episodes)：OR/CM/OD/PCIS 各 20.8%，EnP/RK 各 8.3%

---

4. 实验

4.1 Setup

仿真：在 RoboCasa simulator 上跑 multiple mobile manip 任务。真机：TidyBot++ 平台，7m × 7m arena，包含跨房间 EnP (Enter and Pick) 任务。8× A100 训练。

4.2 RoboCasa Simulator 主结果

Table 2. RoboCasa 上 Manip / Nav 与 Mobile Manip 任务的 SR 对比。 Manip/Nav 评单一动作类型；Mobile Manip 强制 base + arm 协调。

Category	Method	PnP C2S	PnP S2C	TOF	TOS	Nav only	Avg SR
Manip / Nav	BC-T	0.04	0.46	0.33	0.45	0.10	0.28
	Diffusion Policy	0.00	0.00	0.03	0.00	0.03	0.01
	DP3	0.03	0.25	0.43	0.26	0.13	0.22
	WB-VIMA	0.00	0.12	0.11	0.19	0.31	0.15
	π0.5	0.18	0.20	0.44	0.52	0.24	0.32
	EchoVLA	0.21	0.68	0.51	0.67	0.51	0.52
Mobile Manip	BC-T	0.00	0.11	0.04	0.04	–	0.05
	DP3	0.00	0.10	0.08	0.04	–	0.06
	WB-VIMA	0.00	0.12	0.11	0.19	–	0.11
	π0.5	0.08	0.25	0.18	0.27	–	0.20
	EchoVLA	0.17	0.34	0.29	0.43	–	0.31

观察：

1. Diffusion Policy 在这套 setup 下几乎全零——可能 vanilla DP 的 visuomotor 表征不足以处理 RoboCasa 的多视角 + 跨场景泛化
2. EchoVLA 在 PnP S2C 上跳到 0.68（baseline 最高 0.46）幅度异常大，暗示 spatial memory 对 “Sink → Counter” 这种长程参照变换帮助显著
3. 从 Manip/Nav 0.52 掉到 Mobile Manip 0.31，相对降幅 -40%，说明就算有 memory，“同时动 base + arm” 仍是真正的瓶颈

4.3 Ablation

Table 3. 观测模态 + memory 模块 ablation。 M = mobile 变体的 SR；S = stationary 变体的 SR。

	RGB	PC	EM	SM	M	S
(a)	✗	✓	✓	✓	0.02	0.13
(b)	✓	✗	✓	✓	0.08	0.15
(c)	✓	✓	✓	✗	0.09	0.16
(d)	✓	✓	✗	✓	0.14	0.13
Ours	✓	✓	✓	✓	0.17	0.21

读法：

• (a) 去 RGB：mobile 0.02、stationary 0.13——RGB 损失对 mobile 远比 stationary 致命，因为 mobile 任务依赖语义识别远处目标
• (b) 去 PC：M 0.08、S 0.15——少了几何线索，grasp 精度全面下降
• (c) 去 SM：M 0.09 vs full 0.17（-0.08）——scene memory 在 mobile 场景下贡献最大
• (d) 去 EM：M 0.14 vs full 0.17（-0.03），但 S 0.13 vs full 0.21（-0.08）——episodic memory 有趣地在 stationary 场景反而更关键，可能是因为 stationary 任务更细粒度时序敏感（grasp 阶段衔接），mobile 场景的 SM 贡献掩盖了 EM
• 两路都去会进一步退化

❓ Ablation 没给 “EM + SM 都关、只剩 RGB+PC” 的 baseline，无法直接量化 memory 总贡献。从 (c)+(d) 推断 memory 总贡献约 +0.03 ~ +0.08，相对 baseline π_0.5 的 +0.11 增益，意味着 per-part diffusion + 数据集等其他变量也吃掉了不少 gain，单纯 memory 的因果效应没那么戏剧性。

Table 4. EM 窗口 size L 与 SM 更新阈值 τ 的敏感性（PnPC2S Mobile）。

Window Size (L)	2	4	8	16
SR ↑	0.08	0.12	0.17	0.15

Threshold (τ)	0.1	0.3	0.5	0.7
SR ↑	0.11	0.14	0.17	0.13

L 太小（2/4）“plan forgetting”；L 太大（16）latency 增加且收益递减。τ 太低导致 representation 不稳；τ 太高 memory 过时。

4.4 真机实验

Figure 6. EchoVLA 真机 rollouts。 完成 4 个 mobile manip 任务：关微波炉、把杯子从架子放到水槽、开抽屉、开冰箱。

Table 5. 真机 6 任务 SR。 每任务 20 次随机起始位姿试验。

Method	OD	CM	PCIS	OR	RK	EnP	Avg SR
π0.5	0.35	0.55	0.20	0.50	0.40	0.00	0.33
Diffusion Policy	0.40	0.60	0.50	0.30	0.10	0.03	0.32
EchoVLA	0.45	0.70	0.50	0.40	0.50	0.10	0.44

亮点：

• CM 0.70 / RK 0.50 上明显甩开 baseline；论文归因 “EM 作为时序锚点弥补 SM 中 voxel ghosting”
• EnP 0.10（vs baseline 0.00 / 0.03）：跨房间长程任务上虽然绝对值低但唯一非零
• OR 0.40 < π_0.5 0.50：作者诚实地分析 failure——开冰箱门时几何剧变让 explicit 3D scene memory 失效，而 baseline 靠 implicit “muscle memory” 反而更鲁棒。这是一个有意思的 explicit vs implicit memory trade-off

---

关联工作

基于

• π0.5：per-part (base/arm) 分解 + partial episodic memory 的直接前身，EchoVLA 在此基础上引入 explicit scene + episodic dual memory
• SigLIP：frozen text + vision encoder
• PointAttn：trainable 3D 表示

对比

• MemoryVLA（concurrent）：单 perceptual + cognitive memory 的隐式 cache，没有 explicit 空间结构和 task-level experience。EchoVLA 主张 explicit 拆分更适合 mobile manip
• BSC-Nav：landmark + cognitive map 给 LLM 做 high-level reasoning，而 EchoVLA 的 memory 直接条件 low-level diffusion policy
• OpenVLA / RT-2：纯 Markovian VLA，作为 “无 memory 基线” 的代表
• AC-DiT：另一种 base-arm coordination 的 adaptive diffusion 方案
• MoManipVLA：另一篇 mobile-manip-VLA 工作，可对比设计

方法相关

• Diffusion Policy：作为 single-head diffusion baseline 出现
• DP3：3D diffusion policy，被 EchoVLA 全面超越
• WB-VIMA：whole-body VIMA 类方法
• TidyBot / TidyBot++：硬件平台
• RoboCasa：仿真 benchmark
• Behavior-1K / ManiSkill2 / HomeRobot / ProcTHOR：MoMani 的 benchmark 对比对象

---

论文点评

Strengths

1. Memory 解耦的设计动机清晰：把 “环境长期空间结构 vs 任务短期时序” 这两类性质截然不同的信息分开存、分开检索，有明确的 inductive bias 支撑（不是单纯堆参数）。Ablation 也部分验证了两路确有互补性
2. 诚实承认 failure mode：OR 任务输给 baseline 时直接归因到 “explicit 3D memory 在动态遮挡下成累赘”，而非掩盖。这种 explicit vs implicit memory trade-off 的观察其实比 main result 更有 insight
3. 真机 EnP 任务：跨房间长程 mobile manip，baseline 全军覆没，EchoVLA 0.10——绝对值不高但说明这条路至少能 non-trivial 地启动这类任务
4. MoMani 的 nav-manip co-gen pipeline：显式做 “base + arm 同时执行 + 连续碰撞检测” 来生成协调轨迹，比 stitching 离散 skill 的做法更自然

Weaknesses

1. 没开源：截至当前没有 code / project page / weight，整个 pipeline 的超参（discrepancy threshold τ、L、PointAttn 配置、diffusion 超参）只有 ablation 里的几个数字，复现成本极高
2. Memory 总贡献可能被 oversell：从 ablation (c)(d) 推断 EM+SM 联合贡献约 +0.03~+0.08，但 vs π_0.5 baseline 的 +0.11 gain 中至少一半可能来自 PointAttn / per-part diffusion / 训练数据差异。论文没有一个 “完全去 memory、其他全留” 的 baseline
3. Scene memory update rule 描述不充分：reconstruction 怎么生成、threshold 怎么校准、跨 episode 累积时如何处理坐标对齐（odometry drift？），都缺细节。论文末尾 limitations 直接承认 odometry drift 会导致 voxel ghosting，但没量化
4. MoMani 的 sub-task 长度只有 2-3：和 Behavior-1K (>5) / RoboCasa365 (2-16) 比短得多，论文却 frame 成 “richer task coverage”，是 spin
5. 脑科学类比的 narrative 重于 technical justification：PHC + hippocampus 只是装饰——voxel map + FIFO buffer 的设计完全可以从工程动机推出，无需脑科学

可信评估

Artifact 可获取性

• 代码：未开源（截至 v2，无 GitHub / project page 链接）
• 模型权重：未发布
• 训练细节：仅高层描述（8× A100、frozen SigLIP、trainable PointAttn、per-part diffusion，未给完整超参 / 训练步数 / 数据配比）
• 数据集：MoMani 未说明是否会发布；real-robot 数据更不太可能开放

Claim 可验证性

• ✅ EchoVLA SR 在论文 setup 下高于 π_0.5 baseline：仿真 +0.20 / +0.11，真机 +0.11 avg；3 random seeds × 50 episodes 报告，比许多论文严谨
• ✅ OR 任务 EchoVLA 输给 π_0.5：作者主动汇报，反 cherry-pick
• ⚠️ “synergistic memory” 的因果贡献：ablation 设计未隔离 memory vs 其他变量，归因不严
• ⚠️ MoMani “richer task coverage”：sub-task 长度比 Behavior-1K / RoboCasa365 短，“richer” 是定性 claim
• ⚠️ “neuro-inspired” framing：脑科学类比对 design choice 的指导价值未验证，更像 narrative wrapping

Notes

• Memory pattern 整理：mobile-manip 领域的 memory 设计目前可分三派——（i）implicit perceptual cache（MemoryVLA）；（ii）explicit landmark + cognitive map for LLM planning（BSC-Nav）；（iii）explicit dual memory + low-level policy condition（EchoVLA）。值得做一篇小调研梳理 memory granularity / update rule / retrieval mechanism / 接入位置 这几个维度
• OR failure 是个真问题：explicit 3D memory 在动态几何变化下劣于 implicit，提示我们 memory 系统应该有某种 “动态区域置信度衰减” 机制，或者用 hybrid（explicit static + implicit dynamic）。这可能是个 follow-up idea
• per-part diffusion 在 mobile manip 已经是 default 了：π0.5、MoManipVLA、AC-DiT、EchoVLA 都用这个思路。下一个问题应该是 “怎么在 part 之间显式建模 coupling”（base 速度直接影响 arm 末端）而非简单共享 condition
• “5K+ trajectory” 不算大数据：相比 Behavior-1K 或 OXE，MoMani 的规模其实有限，但 nav-manip co-gen 的 pipeline 本身可能比数据更有价值

Rating

Metrics (as of 2026-04-24): citation=1, influential=0 (0.0%), velocity=0.2/mo; HF upvotes=N/A; github=N/A (无代码仓库)

分数：2 - Frontier 理由：按笔记 Strengths 段的判断，EchoVLA 在 mobile-manip VLA 方向上提出了 explicit dual memory + per-part diffusion 的新组合，并带有反 cherry-pick 的 failure mode 分析，是当前 frontier 上值得对比的 baseline 候选；但还达不到 foundation 档——Weaknesses 明确指出方法未开源、memory 的因果贡献未被干净隔离，且作为 2025-11 的 arXiv preprint 尚无社区采纳或 baseline 化的证据；也不是 Archived，因为 memory-aware mobile-manip 仍是当前活跃方向，而非被后续工作取代的 incremental 变体。2026-04 复核：发布 5mo、cite=1/inf=0/vel=0.2/mo、无 HF/github——early signal 整体极弱，但距 <3mo 保护期刚过不久、Rubric 特例仍建议看 inf>0 / star velocity / HF；由于本文定位在 mobile-manip 这种对比 baseline 稀缺的方向，保留 2 作为观察档，若 2026Q3 仍无 inf>0 或社区引用则降 1。