Fewer Steps, Better Actions: Rethinking Flow-Matching Inference for VLA Policies
作者: Zhipeng Tang, Xinda Chen, Weining Rao, Xiao Li, Wenting Tan, Yuning Wang, Xiao Shi, Xiaofang Zhao
分类: cs.RO, cs.AI
发布日期: 2026-09-18
备注: 15 pages, 6 figures, 7 tables
💡 一句话要点
提出Coda以优化流匹配推理，提升VLA策略性能
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视觉-语言-动作 流匹配 推理优化 机器人控制 深度学习 Transformer 端点修正
📋 核心要点
- 现有的流匹配方法在增加集成步骤时，推理成本上升但成功率未必提高，存在效率低下的问题。
- 本文提出Coda，通过将集成预算的一部分分配给学习的端点修正，优化了推理过程，提升了性能。
- 在实验中，Coda在多个任务上显著提高了成功率，同时减少了推理延迟，展示了其有效性。
📝 摘要（中文）
基于流匹配的视觉-语言-动作（VLA）策略通过反复评估动作专家生成动作片段。增加集成步骤会提高推理成本，但不一定改善闭环成功率。本文提出Coda，将部分集成预算重新分配给单个学习的端点修正。冻结策略首先完成几步噪声到动作的轨迹，然后轻量级Transformer利用候选动作、源噪声和共享观察前缀缓存预测演示监督的残差。仅修正器被训练。在50个RoboTwin Easy任务中，五步Coda将成功率从71.64%提升至74.68%，同时相较于默认的十步策略减少了30.2%的前向延迟。两步配置实现了71.88%的成功率，速度提升达2.12倍。独立的13任务控制显示在几乎相等的延迟下获得了5.69个百分点的增益，支持修正作为额外集成的有效替代。相同设计也改善了冻结的官方SmolVLA，将两步成功率从60.8%提升至69.4%。这些结果表明，端点修正改善了冻结流匹配策略的质量-延迟权衡。
🔬 方法详解
问题定义：本文旨在解决现有流匹配推理方法在增加集成步骤时推理成本上升而成功率未必提高的问题，导致效率低下。
核心思路：Coda的核心思路是将部分集成预算重新分配给一个学习的端点修正，通过这种方式优化推理过程，提升成功率。
技术框架：整体架构包括一个冻结的策略完成几步噪声到动作的轨迹，随后使用轻量级Transformer预测演示监督的残差，最终只训练修正器。
关键创新：最重要的创新点在于引入了端点修正机制，作为替代额外集成步骤的有效方法，从而在保持或提升成功率的同时降低推理延迟。
关键设计：在设计中，Coda使用了轻量级Transformer网络结构，结合候选动作、源噪声和共享观察前缀缓存进行残差预测，确保了高效的推理过程。具体的损失函数和参数设置在实验中进行了优化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，五步Coda在50个RoboTwin Easy任务中成功率从71.64%提升至74.68%，前向延迟减少30.2%。两步配置实现71.88%的成功率，速度提升达2.12倍，独立13任务控制显示5.69个百分点的增益，验证了修正的有效性。
🎯 应用场景
该研究的潜在应用场景包括机器人控制、自动驾驶和人机交互等领域。通过优化推理过程，Coda能够在实时任务中提供更高的效率和成功率，具有重要的实际价值和未来影响。
📄 摘要（原文）
Vision-language-action (VLA) policies based on flow matching generate action chunks through repeated evaluations of an action expert. Increasing the number of integration steps raises inference cost, but does not necessarily improve closed-loop success. We propose Coda, which reallocates part of this integration budget to a single learned endpoint correction. A frozen policy first completes a few-step noise-to-action trajectory; a lightweight Transformer then predicts a demonstration-supervised residual using the candidate action, source noise, and shared observation-prefix cache. Only the corrector is trained. On 50 RoboTwin Easy tasks, five-step Coda improves success from 71.64% to 74.68% over the matched five-step baseline, while reducing forward latency by 30.2% relative to the default ten-step policy. A two-step configuration achieves 71.88% success with a 2.12$\times$ speedup. An independent 13-task control shows a 5.69-percentage-point gain at nearly equal latency, supporting correction as an effective alternative to additional integration. The same design also improves frozen official SmolVLA, raising two-step success from 60.8% to 69.4%. These results show that endpoint correction improves the quality-latency trade-off of frozen flow-matching policies.