π*0.6 要解决什么问题？为什么大规模 VLA 不易直接采用 PPO？后训练如何转化为近似监督学习？

π*0.6 的目标是后训练可靠性：让机器人从自主收集的正负经验中持续提高成功率。不直接用 PPO 的原因：真机采样昂贵且慢，on-policy 要求不断用最新策略重采数据；任务奖励稀疏导致长程信用分配方差大；探索性更新在物理硬件上有安全风险。π*0.6 的 RECAP 把 RL 重写为监督问题：在离线经验回放（含失败与人工纠正）上用时间一致性拟合 value 函数，把量化的优势标签作为条件输入策略联合训练；部署时以高优势条件自举，策略学会偏好高优势动作。

追问点：value 回归为什么可行——回放数据分布固定，时序一致性自举等价于拟合离线回报；与 Decision Transformer 式条件化的亲缘关系；以及为什么仍需要人工纠正数据兜底稀疏奖励。能对比「在线策略梯度」与「离线优势加权」两条技术路线的成本结构是加分项。