一个家用机器人跟着你走过公寓，随后被问三个问题：镜子在我左边还是右边？沙发离这儿多远？我们是什么时候经过那盆植物的？一次行走，三个问题，三种答案形式——一个选项、一个以米为单位的数字、一个时间点。

流式空间基准现在把三类提问放在同一条因果历史里考。现实里，很多后训练配方却只监督其中一种回答格式。西湖大学团队（联合浙大、中科大等机构）新发的一篇论文给这种失败模式起了名字：接口锁定（interface lock-in）——模型在一种问法上越来越强，换到另一种问法上迁移微弱，甚至退步。（https://arxiv.org/abs/2610.34283）

一个被忽视的失败模式

观察很具体：训练空间 VLM 回答「物体在左边还是右边」，并不需要它保留决定该答案的度量位移；监督一次距离估计，也可能让分类关系不受约束。当后训练把权重压在某种读出口上，增益便集中到那个接口，其余接口的迁移随之变弱。

同数据对照把这件事量化出来：只训分类单一家族的模型在 OVO-S-Bench 拿到 58.03，但 OST-Bench 掉到 47.48；只训轨迹家族是 52.03 / 51.03 / 49.22。完整配方拿到 53.89 / 63.93 / 52.77，三基准均值 56.86，是本文比较的设定里最高的，官方基座均值 48.28。

注意形状：完整配方在 OVO-S 上其实低于「只训分类」那条。它不是每项都赢，而是用 OVO-S 的几分换回 OST 的大幅回升。

三件套：原生目标、时序回放、家族配平

第一阶段是因果回放构造：每个答案保留来源接口的原生格式——分类保留候选项，度量保留量级、符号、单位与精度，时间保留时间戳与事件序号；轨迹轮次按原始顺序重放，每个目标绑定在它自己的合法因果前缀上。作者称之为时间原点对齐，而非把多轮标注摊平成独立问答对。

第二阶段是家族配平。保家族有 33,180 条单轮样本（30,635 条分类、2,545 条数值），轨迹家族有 6,381 个有序回合、45,006 个受监督的度量、计数、判断与时间轮次，前者样本数是后者的五倍以上。做法是在家族内部先归一化风险，再显式设定比例（α=0.5），不让样本多的家族独占共享参数。项目页给出的回放池规模是 39,561 条序列（https://yihaohu0118.github.io/ChronoReplay/）。

底座是 Qwen3-VL-8B-Instruct，视觉编码器冻结，只训语言模型与视觉合并器。论文没有加地图、记忆模块或辅助状态损失——轨迹隐式留在 VLM 内部。

三个基准同时抬起来

在同等观测条件下（OVO-S 用 Uniform-128，OST 用完整场景不重叠协议，UCS 覆盖全部 8,114 道时间戳因果问题）：

  • OVO-S-Bench：48.98 → 53.89，涨 4.91 分，十二个任务族全部改善；
  • OST-Bench：50.52 → 63.93，涨 13.41 分，十五个子类全部为正，方向估计 +26.86、顺序判断 +20.57、距离时间定位 +18.36；
  • UCS-Bench：45.33 → 52.77，涨 7.44 分，八个子类全部为正，数量 +10.73、物体轨迹 +8.46、观察者轨迹 +7.38。

增益集中在需要从多轮累积状态里组合答案的项目，而不是当前这一眼。

13.41 分不能全记在「时序」头上

这是全文最值得学的一处自我约束：13.41 分属于完整配方，不是「时序回放」单项的贡献。作者用移位顺序对照把后者单独隔离——保留每个回合块、目标和家族权重，只把回合块循环轮转，结果是 61.81 对 64.22，两对配对种子下平均差 2.41 分（分别为 2.42 与 2.41）。

同类严谨性还体现在答案格式的对照上：原生格式在 UCS 上高 2.92 分，规范化格式却在 OST 上高 1.48 分——两者交叉，不存在全面占优的编码方式，论文明确说不该把原生格式读成普遍更优。

对照普通联合 SFT（51.8 / 60.7 / 49.8）与自然轮次加权（52.9 / 62.3 / 51.5），完整配方三个端点全面领先，OST 分别高 3.23 与 1.63 分。

另一半收益在推理侧

自适应帧选择在训练权重完全不动的前提下改观测接入方式，平均用 80.50 帧替代 128 帧，OVO-S 从 53.89 抬到 57.98。论文把它单独拆成训练效应（+4.91）与接入效应（+4.09）两项，并指出接入效应集中在 L1（+8.66）。项目页给出的口径是少用 37.11% 的帧。L4 始终是最难的一级，35.16 → 40.17 → 42.30。

该泼的冷水

其一，这是作者自报结果。代码、配置、冻结的训练选择清单与打分脚本都公开了（https://github.com/yihaohu0118/ChronoReplay），但微调权重、基准媒体与保存的预测没有打包，项目页写明不含已保存的预测。

其二，横向比较有协议坑。表格里的已发布模型参考行跑的是各自报告的协议，作者提醒这些行不能当作同条件结论。8B 的 53.89 与已发表的 Qwen3-VL-235B-A22B 的 53.64 数值接近，但 Gemini-3.1-Pro 的 59.19 仍排在前面，这种比较就不能这么算。UCS 上人类仍然是 91.0。

其三，「接口锁定」是论文反复强调的一个经验模式，而不是被定位出来的内部机制——结论里明确写着它不是一条被隔离的机制性主张。伦理声明同样直白：作者没有审计监控、自主导航等高风险用途，也不主张适合这些场景。

所以呢

这篇论文真正的贡献可能不是那 13.41 分，而是示范了把「配方总分」拆成「机制贡献」的做法：13.41 属于整套配方，时序只值 2.41，剩下的归给家族配平与目标格式。混着讲，评测就会失真。

更直接的启发是：当团队发现模型「某个任务上变强了」，顺手量一下它在别的问法上有没有掉。接口锁定不会写在 loss 曲线上，它只会在你换一种提问方式的测试集上悄悄现形。