维度不同
PushT action 是 2 维，SmolVLA 输出 6 维。
发现 embodiment mismatch
问题
本地 SmolVLA 实验把 PushT 的 2 维 state pad 到 6 维，并把 PushT 图像作为 camera1。这能让张量形状跑通，但不能说明模型理解了 PushT。
物理含义不同
像素平面位置 ≠ 关节/夹爪动作。
数据分布不同
SmolVLA 的训练 embodiment 与 PushT 不一致。
三种处理方式
- 不处理：只作为 interface smoke test。
- Adapter：显式映射状态/动作，但必须说明假设。
- Finetune + closed-loop eval：在匹配数据上微调，再用仿真/真机验证。
实践：判断结论能否外推
阅读以下句子，标出能否成立：
- “SmolVLA 在本地 GPU 上能输出 (1,50,6)。” 能成立。
- “SmolVLA 已学会 PushT。” 不能成立。
- “SmolVLA 可用于 PushT 控制。” 需要 finetune/adapter 和闭环验证。
一手资料
检索练习
本实验为什么不能声称 SmolVLA 学会了 PushT？
选择一个答案
PushT 是 2 维平面动作，而 SmolVLA 输出 6 维动作；接口通过 padding 跑通，不等于语义匹配。
本课一手来源
VLA 跨 embodiment 的核心约束来自各自论文的训练数据与动作空间定义。
有疑问就问
把不理解的地方直接发给老师/agent，最好附上你观察到的现象和报错。
Course file: lessons/0011-embodiment-mismatch.html