억제 스틱, 지역성은 취약하다: VLA 정책에서 작업 벡터 부정에 대한 폐루프 목표 및 제어 감사

Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies

작업 벡터 산술은 모델을 수정하는 간결한 방법을 제공하지만, 로봇 제어 시스템에서의 행동적 지역성이 불분명합니다. 본 연구에서는 다중 작업 시각-언어-행동(VLA) 정책에서 각 기술에 대한 작업 벡터 차연을 적용하여 목표 및 제어 감사를 수행했습니다. LIBERO-Goal의 열 가지 기술 모두에서, 차연은 세 가지 질적으로 다른 결과를 초래했습니다. 첫째, 다섯 가지 기술에서는 목표와 제어가 분리되는 현상이 나타났고, 셋째는 저항을 보였으며, 둘째는 전반적인 시스템 붕괴를 야기했습니다. 초기 상태에서 억제 가능한 목표의 성공률은 0%로 유지되었지만, 평균 기준선 정규화된 제어 성능 유지는 52%에 불과했으며, 각 목표 억제 수정 사항은 최소한 하나의 관련 없는 제어를 손상시킵니다. 추가적인 Goal 실험에서는 연속 회귀, 이산 토큰 및 흐름 매칭 액션 헤드를 갖는 다양한 정책에서 분리가 관찰되었지만, Spatial 및 Object, Long-horizon 패널에서는 명확한 분리가 나타나지 않으며 제어 붕괴가 발생했습니다. 평균 작업 벡터 코사인 값은 이러한 변동성을 설명하지 못합니다. 정규화된 제어를 사용한 분석 결과, 특정 Goal 기준점 주변에서 지역적인 부호 비대칭성이 확인되었으며, 다중 벡터 결과는 기준점 및 스케일에 따라 달라지는 것으로 나타났습니다. 데이터 의존적 비교를 위한 기울기 기반 방법을 사용했지만, 제거 시간의 데이터와 최적화가 필요했습니다. 작업 벡터 차연은 편집 시에만 데이터 및 기울기가 필요하며, 사전에 계산된 전문가 데이터를 가정합니다. 마지막으로, 단일 기술 재학습 실험 결과는 행동적 마스킹을 나타내며, 인증되지 않은 학습(unlearning)은 관찰되지 않았습니다. 이러한 결과는 작업 벡터 차연을 빠르지만 취약한 개입 방법으로 특징짓고, 통합된 모델 편집에서 지역성을 평가할 때 폐루프 목표 및 제어 평가의 필요성을 강조합니다.

Task-vector arithmetic offers a closed-form way to modify a model, yet its behavioral locality remains unclear in closed-loop robot control. We present a target-and-control audit of per-skill task-vector subtraction from multitask vision-language-action (VLA) policies. Across all ten LIBERO-Goal skills, subtraction produces three qualitatively different regimes: target-control separation for five skills, resistance for three, and global collapse for two. On held-out initial states, the five suppressible targets remain at 0% success; however, mean baseline-normalized control retention is only 52%, and each target-suppressing edit materially harms at least one nominally unrelated control. Additional Goal panels show separation across tested policies with continuous-regression, discrete-token, and flow-matching action heads, whereas we observe no clean separation on Spatial and control collapse on the tested Object and Long-horizon panels. Mean task-vector cosine does not account for this variation. A matched-norm control identifies a local sign asymmetry around one Goal anchor, while multi-vector outcomes vary with anchor and scale. Retain-aware gradient baselines provide data-dependent comparators but require removal-time data and optimization; subtraction is data- and gradient-free only at edit time, assuming precomputed expert deltas. Finally, a single-skill relearning probe is consistent with behavioral masking, not certified unlearning. These results characterize task-vector subtraction as a fast but brittle intervention and underscore the need for closed-loop target-and-control evaluation when assessing locality in embodied model editing.