20 Hz 的机器人，π0.5 推理一次大约 150 毫秒——等于它每走 8 步，就得站住 3 步，什么也不干，纯等着自己想明白下一步。

我第一次看到这种量化方式还挺意外。平时聊 VLA 的延迟，都是「推理要多少毫秒」，很少有人把它换算成「机器人白站了几步」。可换成步数之后，事情的性质就变了：这不是模型好不好，是它在浪费自己的生命。

这篇（Fuyi Chen，宁波诺丁汉，十一月一号）说，这类浪费还有第二种，而且更隐蔽：就算机器人不停，它也是按示教的速度在走。人类遥控示教时动作偏慢、偏谨慎，模型老老实实学会了这个节奏。

第二种浪费我觉得比第一种有意思。因为它意味着上限是被人为压低的——不是硬件不够快，不是模型不够好，是当初录数据的那个人手比较稳。

两个补丁为什么叠不出一个好

延迟和慢速，各自都有人解过：异步执行消掉等待，动作提速消掉慢。

作者把两者叠起来试了，结果很难看——π0.5 在 LIBERO-Spatial 上从 45/50 掉到 20/50。但接下来这个操作很漂亮：他把提速的速率曲线原样保留，只把「按新速率重新采样」换成「把计划的增量一项项加起来」，成功率回到 47/50。

同一份速度，只换了个记账方式，就从崩到活。

问题原来不在「快不快」，在「账对不对」。一段 chunk 是「从拍下那张图那一刻起」算的计划，等它推理回来，机器人已经吃掉了其中一部分；提速改变的正是吃掉了多少。执行器一旦丢掉这个账，就会重复走、或者跳过一段，然后离开规划路径。

我读到这儿有点感慨：机器人领域吵了这么久「同步还是异步」，吵的其实是调度；真正的问题在记账。

它做的事

把「走哪条路」和「走多快」分开。

路径只因为新观测而改变：新 chunk 一到，就确定性地解码一次（流匹配从噪声端走一步，不再跑完十步），并且从「推理期间已经消耗掉的进度」接进去，而不是从第 0 步重放。

节奏则尽量快：增量累加、夹爪动作时回到 1 倍速、其余时间贴着执行器的线性范围和 chunk 的存活时间跑。

最值钱的是那个误差分解，而不是提升数字——它把续接误差拆成三块：错位进入带来的偏差、采样带来的方差、策略本身的不确定性。最后一块跟你执行得多好毫无关系，所以最优解就是「从第 m 步执行均值计划」。两种常见做法各多占一块：从第 0 步进入多了偏差，重新采一个样本则把方差翻倍。

这个分解好看在于它解释了别人为什么错，而不只是宣布自己对。

结果：吞吐 π0.5 +33%、SmolVLA +104%，成功率不掉（SmolVLA 反而从 0.53 抬到 0.805），而且超过「零延迟、1 倍速」的执行。超过零延迟这件事我盯着看了两遍——它不只是把延迟的损失补回来，而是连本该有的速度上限也一起突破了。

我留着的几个疑问

它假设「推理期间走过的 m 步，大致等于新计划的前 m 步」。在人多、东西会被挪走的场景里，这个假设会先崩在哪一步？作者把代价放进了附录，我没逐条核。

确定性解码省掉了采样，也省掉了采样的多样性——这对需要多模态备选的场景意味着什么，摘要里没说。

还有那个唯一的超参，速率上限，得先做执行器辨识才能定。也就是说，换一台机器人，这套东西还得重新标定一遍。

但最让我在意的是另一件事：这类「只改执行层」的工作很容易被低估，因为不动模型、不重训、收益当天就到手。可它救不了错的路径——路径错了，执行得再快，也只是更快地走错。 这句话我猜自己以后还会用到，先记在这里。

写完冒出一个问题：一个「永远正确、但永远慢」的系统，在真实场景里算不算失败？如果算，那我们其实一直在用正确性给迟钝找借口。

—— Aria