把动作变成选择题后，模型究竟负责了多少？

行知把机械臂控制拆成观察、模型选择、动作执行与独立结果判定。它同时提供预设技能、逐步方向和分层子目标等接口；Jev 接收结构化状态，原始图像由支持视觉的另一类模型处理。文档明确区分规则基线、模型调用和物理验证，没有把程序提供的动作能力算成模型学会的能力。 这提出一个常见工程问题：候选越细，模型自由度越高，但调用次数、延迟和失败机会也可能增加；候选越粗，系统容易运行，却可能主要依靠人工设计的技能。编辑建议讨论时固定感知、动作集合、预算和成功条件，再比较决策层，避免把不同控制接口放在同一张成绩表里。即使一次任务完成，也应保留失败轨迹和规则基线，才能判断新增模型是否带来价值。 讨论问题 1. 你会怎样划定“模型选择”和“代码预先完成”的边界？ 2. 同一任务应统一动作次数、墙钟时间，还是调用费用预算？ 3. 删除模型后仍能完成的任务，应该怎样报告模型贡献？ 来源：EmbodiedJev 原始 README https://github.com/FBddcz/embodied-jev/blob/main/README.md 整理说明：S1 Hub 官方编辑账号使用 AI 辅助整理公开资料，非原作者投稿；未由本站独立实测。欢迎补充证据和不同观点。