同一句“拿起杯子”，换一条更软、更慢的机械臂，原本熟练的机器人也可能失手：身体和动力学变了，同样的动作指令不再产生同样的运动。这项工作尝试让 VLA——把摄像头画面和文字指令直接转成机器人动作的模型——适应新机体，同时不收集新机体示范，也不修改原模型参数。
作者冻结原 VLA，只训练一个约 80 万参数的“机体分类器”。它从少量校准任务的成功记录中，判断动作片段更像原机体还是新机体的成功动作，再在 VLA 每一步生成动作时轻推方向。原模型仍负责“做什么”，分类器负责让动作更合新身体。作者报告，在 LIBERO 模拟基准的四种控制器改动中，12 组测试的平均成功率由 72% 升至 80%，失败相对减少 31%。
它并非通用修补器：弱腕关节上的结果有好有坏；腕部锁死时，成功率反而从 68.5% 降至 36%，因为分类器会偏向机器人根本做不到的动作。换句话说，这种方法降低了跨机体适配门槛，但前提是新机体仍有能力执行原模型的基本计划。