机器人通过模仿人类演示来学习操作技能，但人类演示通常很慢——小心翼翼、一帧一帧。结果机器人学到的也是慢动作策略。
CoRL 2025 Oral 论文 DemoSpeedup 的解决方案极其优雅：测量每一帧的"动作熵"——如果模型在某一帧对所有动作选项的置信度都很高（低熵），说明这是一个需要精确控制的"关键帧"；如果概率分布平摊（高熵），说明这一帧的动作比较随意，可以加速。
然后用高熵帧可以安全"快进"这个洞察来压缩演示数据。低熵帧保留，高熵帧跳帧。压缩后重新训练——机器人执行速度提高到原来的3倍，而任务成功率不仅没降，反而上升了。原因是更短的决策序列减少了累积误差。
*费曼式点评*：关键不是"做得更快"，而是"知道什么时候该慢下来"。
[DemoSpeedup / CoRL 2025 Oral / arXiv:2605.XXXXX]