向可模仿的教师学习：MetaFine Challenge 竞赛解决方案

MetaFine Open Competition（RoboFineMani 研讨会，CoRL 2026）对精细操作进行评估，而不局限于二元的成功判定。该竞赛包含五项仿真任务，从按指令指定的部位抓取瓶子，到在 4 毫米间隙下插入字母形插销，评分涵盖光照和相机变化条件下的感知、指令理解以及行为表现。本报告介绍了 Team Friday 的解决方案，该方案以 0.947 的总分获得第二名，得分超过 $π_0$ 基线的两倍。我们没有微调大型视觉-语言-动作（VLA）模型，而是为每项任务分别训练一个拥有 1900 万参数的策略，并配备独立的指令分类器，将重点放在数据上。所有数据均由具有特权信息的脚本化教师在仿真器中生成，其中也包括教师对学生错误的纠正。通过分析失败回合，我们发现，即使教师几乎总能成功，也仍可能无法有效地教会无记忆的学生：教师的暂停会变成学生的停滞，教师的固定习惯会变成学生的捷径，而且教师从不展示学生会犯的错误。在保持架构不变、数据量增加 32% 的情况下，让教师变得可模仿，使最难的字母插入任务的官方得分从 0.44 提升至 0.82，最终达到 0.88。我们总结了关于示范数据和评估的实践经验，希望能为精密操作的模仿学习提供帮助。