为什么开环评测不足以反映实际表现？闭环评测如何揭示分布偏移和误差累积？

开环评测（对固定数据集的动作误差、预测指标）的两个盲区：1）误差累积——小误差改变后续状态，部署时的状态分布很快偏离评测数据分布，单步精度无法外推；2）闭环稳定性——策略可能把系统推入振荡、卡死等训练分布外的动态，开环分数完全不可见。闭环评测让策略从初始状态出发持续控制至成功/失败/超时：按任务长度分桶报告成功率可以直接看到误差累积曲线（长任务衰减快）；注入扰动（推动物体、改变初始状态）检验恢复能力；对比策略自身 rollout 的状态分布与示范分布量化 covariate shift（DAgger 的核心论证）。工程上：开环指标仍可用于回归测试与快速筛选，但上线决策必须绑定闭环成功率与任务时长分布。

加分点：举「开环好、闭环崩」的机制性例子——逐点最优但无恢复能力的短视策略；世界模型/MPC 的开环 rollout 与策略闭环评测的区别（模型误差同样会被闭环放大）；以及仿真闭环与真机仍有相关性缺口，所以严肃评测要真机抽样。能把 covariate shift、误差累积、恢复能力三个词各配一个可观测指标就是结构化回答。