arXiv上这篇MOCI论文切中了逆向强化学习（IRL）落地的一个核心痛点：传统约束推断方法几乎都假设演示数据来自单一专家或目标一致的群体，这在现实工程中极其奢侈。我实际部署过基于最大熵IRL的机器人安全约束提取，一旦演示者存在个体偏好差异（比如有人偏好速度、有人偏好避障），模型就会在共享约束和个体策略之间震荡，最终得到的约束往往泛化性极差。MOCI通过联合建模共享约束与个体偏好，理论上能缓解这种“目标混淆”问题。但关键难点在于，论文中的多专家轨迹分离假设（比如轨迹数量足够且偏好差异显著）在真实场景中未必成立——例如工业场景下，多专家演示可能高度重叠或数据稀疏。个人经验是，这类模型对轨迹标注的依赖并未真正降低，只是从“显式标注目标”转为了“隐式分离偏好”，工程部署时仍需谨慎设计数据收集流程。想问两个问题：1. MOCI对专家数量敏感吗？少量专家（2-3个）是否会导致偏好识别退化？2. 共享约束的“共享”程度如何界定？过度抽象会不会丢失个体关键安全边界？从行业看，多目标约束推断将推动IRL从实验室走向复杂多角色场景（如自动驾驶、人机协作），但工程化前必须解决数据效率与约束可解释性的平衡。