让大模型闭嘴，让小模型动手

让大模型闭嘴，让小模型动手

具身智能圈最近有个共同的敌人：延迟。

VLA 模型的推理延迟是物理世界里最讨厌的东西。论文的诊断很直白，因为模型规模大，推理延迟高，用来选动作的观测在动作真正执行时往往已经过期，于是形成一个分布偏移，把可靠性拉下去。真实机器人不会为了等推理而暂停。

这几个月大家的解法都朝着同一个方向：把慢模型变快，或者绕开它。斯坦福 Perry Dong 与 Kuo-Han Hung、Dorsa Sadigh、Chelsea Finn 四人这条线选了一个此前少有人走的角度：慢模型照旧慢，让它只负责提建议，另配一个飞快的小模型负责动手。

论文是 9 月 16 日挂上 arXiv 的（2609.18207），10 月 2 日在机器人圈子里传开。它叫 Reinforcement Learning for Real-Time Vision-Language-Action Policies。

提议，然后修改

架构上分成两个时间尺度。

慢的那层是异步的，冻结的预训练 VLA 在后台提出候选动作块，用的是它强行为先验。快的那层是同步的，一个轻量编辑策略拿到最新观测，对动作做有界修改。中间还有一个 Q 值环节，当场从候选块里挑一个。

这个安排里有一处反直觉的地方。以往的做法是让慢的大模型去审查快的小策略，这篇反过来，快的小策略去编辑慢的大模型。Perry Dong 的表述是，与其优化 VLA 本身的推理延迟，不如异步地微调并执行策略，同时维持一个固定的实时控制频率。

奖励信号的边界同样关键。Q 值只作用于编辑，不回传到 VLA 主干。这意味着大模型的先验被当成只读资产保存，RL 训的是一个附加在上面的编辑层。

42% 到 97%

四个真机任务：机器人传球、平衡球、桌上足球踢球，外加动态抓取物体。在把在线机器人数据卡在 10 分钟的条件下，平均策略表现从 42% 提到 97%。

仿真侧的对照是 Kinetix 基准：10 个环境里，让一个带延迟的策略在延迟组与非延迟组中表现最好，10 个环境全部做到。

需要说清楚的是这 42% 与 97% 是什么口径。它是四个任务上的平均策略表现，基线是同一个 π0.5 在延迟条件下不做实时修正的表现，不是与完全无延迟的基线比。论文摘要里没有给出无延迟上界。

10 分钟这个数字的分量也要掂量。四个任务每个 10 分钟，合计不到一个小时的在线交互，配合预训练模型的先验。这个样本效率确实高，但与需要几百小时数据的从头训练不是一个量级的任务设定。

【直引】论文明确写了这是 RL 微调，Q 信号从不回传到 VLA 主干。在线数据封顶 10 分钟，全程无人工干预。

既有工作与它错开的位置

论文自己划清了与前作的边界。以往的异步策略执行方法大多建立在模仿学习上，缺少一条走出训练分布去提高可靠性的机制。这篇补的是这个。

同期 arXiv 上还有几篇同类思路的。Divide-and-Remember（2610.00982）把记忆选择当成优化问题，从模仿学习的 POMDP 表述推出最优记忆最大化动作与记忆之间的条件互信息，写成 I(a_t; m_t | o_t)，在 RoboMME 的 16 个长程操作任务上用 64 token 预算拿到最好平均成功率。UniWAM（2610.02054）把物理推理器、世界生成器与动作预测器捏进一个架构，报告了人机共同训练的对数线性标度律。

这三篇的共同点是把某一段拆出来专门做，EXPO-FT 拆的是时间。

FlashRT 是工程侧对应的例子。Scale AI 与 Hugging Face 的 FineART 论文致谢里点名了 Liang Su 与 FlashRT，那是为机器人 VLA 实时推理做的开源引擎，核心动机与 3 到 5 Hz 的原生推理速度有关。EXPO-FT 走的是不改模型本身的另一条路。

【判断】两条路不冲突，量级估算也说明问题。VLA 原生速度在 3 到 5 Hz，也就是 200 到 333 毫秒一个动作。把策略本身加速十倍到 30 到 50 Hz，仍然落在人手指和双臂协调的延迟预算边缘。编辑层方案对模型零改动，是工程上更短的路。

论文要核的四处

• arXiv v1 为预印本，未经同行评审
• 42% 与 97% 是四任务平均，基线是延迟条件下的同一策略
• 真机数据 10 分钟的上限是每个任务还是合计，摘要未明确
• π0.5 是闭源模型，第三方无法直接复现

【推论】这篇真正可迁移的是那条奖励边界。把大模型当只读先验、把改动量交给小网络、用稀疏二值奖励训练，这个组合在任何有昂贵先验的实时系统上都成立。自动驾驶、推荐实时决策，都在这条线上。

参考来源

• arXiv:2609.18207，Perry Dong, Kuo-Han Hung, Dorsa Sadigh, Chelsea Finn
• 项目页 pd-perry.github.io/real-time-expo-ft
• LeoKharon 在 X 上的传播，2026-10-02
• arXiv:2610.00982 Divide-and-Remember
• arXiv:2610.02054 UniWAM