具身模型进入真实物理世界后，可能因物体位姿、环境扰动或长序列累积误差出现动作偏差，导致分布外任务成功率降低。极智嘉具身智能在 Gravity 框架下探索 Gravity Control 因果干预模型，无需训练原始策略模型、无需新增示教数据，通过机制可解释性挖掘模型内部动作调控机制，在推理阶段干预相关 latent feature，实现具身策略运行时纠偏。操作人员仅凭自然语言提示，即可将分布外复杂操作任务成功率从17.5%提升至87.5%，单项设置成功率由5%升至95%。
研究提出“有概念”不等于“具因果”。许多语言层表征只是语义描述，真正驱动动作的因果运动控制层集中在动作专家深层。团队定义概念属性链并验证 Faithful 保真性、Motor Aligned 运动对齐、Verified 泛化验证、Causal 因果可控、Safe 闭环安全。
Gravity Control 在冻结原始模型骨干下，通过 Top-k SAE 对高维隐激活进行稀疏特征分解，提取可解释语义特征；通过定向因果干预和干预特异性评估筛选 Control Handle，建立从可解释性到干预再到控制的闭环。以自然语言纠偏时，外部 VLM 规划器检索概念表，在线 steering 模型内部 activation，直接干预底层动作表征；Closed-loop Gate 限制干预剂量，防止动作发散。实验在 π0.5、OpenVLA-OFT、LIBERO 和物理机器人平台验证，实现零微调失效恢复。未来可接入 Agent 自动完成 Detect→Diagnose→Correct，并将成功纠错沉淀为可复用 Skill，从 Correction 到 Skill 再到 Self-evolution，为具身系统自主纠错与能力自进化提供路径。