FabriMAE 以視覺注意力熵判斷機器人動作可靠度，十分支選擇令成功率升至 86.8%

視覺語言動作模型（VLA）可把攝影機畫面與文字指令直接轉成機器人動作，但部署系統仍缺少一個關鍵能力：在真正執行前判斷自己的動作是否可靠。傳統方法通常觀察輸出 token 機率、重複採樣的一致性，或另行訓練失敗偵測器；這些做法難以同時適用於 OpenVLA 的離散動作 token、OpenVLA-OFT 的連續輸出頭，以及 PI 系列的 flow-matching 動作生成。

FabriMAE 提出的 Markov Attention Entropy（MAE）改讀模型內部訊號。作者把 VLA 的動作生成描述為條件式生成 Markov chain，追蹤視覺、語言與狀態條件下的潛在動作表示，再由視覺注意力分布的熵建立可靠度分數。它不判讀機器人與環境的物理狀態轉移，而是衡量模型內部生成鏈；因此不需要外部裁判、額外模型前向運算或已標註的失敗資料。

團隊另外建立 LIBERO-Reflect，包含 2,000 條標準及 2,000 條高難度模擬軌跡，並以實際 simulator success flag 作為標籤。在 OpenVLA、OpenVLA-OFT 與 QwenPI-Flow 上，MAE 對成功／失敗軌跡的 AUPR、AUROC 與 FPR@95 排序普遍優於隨機、輸出統計及其他黑箱或白箱基線。這項跨架構結果值得注意，因為連續 flow policy 根本沒有可直接比較的自回歸動作-token logits。

FabriMAE 進一步把分數用於 PI0.5 的測試時選擇：十個候選共享前 70% 的 refinement 軌跡，之後加入 0.15 尺度雜訊分支，完成後選擇 MAE 分數最佳的動作塊。LIBERO-Plus 整體成功率由 85.7% 升至 86.8%，總 episode 時間增加 7.2%，每個環境步驟增加 8.94%。改善幅度不大，且 Robot 與 Noise 子項沒有提升；更重要的是，模擬器中的注意力熵能否校準真實機器人的碰撞、遮擋與感測器漂移仍未證實。論文所列 GitHub 連結目前回傳 404，外界尚無法核對 benchmark 建構、hook 位置與計時方法，應把結果視為待重現的研究訊號。