想要VLA更可靠，代价是更多重规划吗？

一句话判断

想要VLA更可靠，代价是更多重规划吗？

论文解决什么问题

同一个VLA checkpoint，执行方式也会影响结果。动作块能摊薄推理成本，却让机器人在两次观察之间依赖旧信息。执行太久，接触变化后纠错不及时；重规划太频繁，又可能打断运动、增加计算。

ChunkTrust关注的不是“调用越多越好”，而是当前动作块该执行多少步再重新观察，让执行长度随阶段相关证据变化。

核心方法

无需训练的AHS保留基座权重和动作值，评估候选前缀的两类证据：
↳ 块内：flow生成过程中，频谱相对早期去噪基线是否稳定。
↳ 块间：接到已执行动作后，速度是否不规则。独立看很稳定的预测，也可能接不上历史运动。

带遗忘的Beta状态积累回合内长度偏好，缓解单次证据噪声；每局重置。可选QHA离线学习条件先验，部署时不在线更新。

实验结果

· RoboTwin完整50任务，同一π0.5成功率56.70%→63.50%。
· RoboCasa24任务，Qwen3GR00T为47.83%→57.50%；独立八任务Fast-WAM评测组为86.81%→88.13%。
· 真机四任务各15次，归一化过程得分50.4%→57.5%，不是完整成功率。

这篇论文不是什么

⚠️ 平衡不等于最优，更不是安全保证
内部质量与Beta状态不是校准成功概率。选定前缀执行期间没有新观测监控，突发扰动仍需其他机制。QHA存在任务回退；上述延迟实验使用受控时钟，不能直接当作原生部署耗时。选择器开销小，也不代表整局更省算力。

对机器人 / 世界模型 / VLA 的启发

💡 放到执行层的技术脉络里
Legato通过训练改善动作块衔接；SmoothRL学习残差修正执行动作；ChunkTrust保留动作值，调整重新获取反馈的时机。

三者处理不同环节。判断执行方案是否值得部署，应把成功率、反馈时效、模型调用与总计算一起看，而不是只报选择器的毫秒开销。

论文关键页