CF-VLA：面向视觉-语言-动作策略的高效粗到细动作生成

基于流的视觉-语言-动作（VLA）策略为动作生成提供了强大的表达能力，但存在一个根本性的低效问题：需要多步推理才能从无信息量的高斯噪声中恢复动作结构，导致在实时约束下效率与质量的权衡较差。我们通过重新思考生成式动作建模中起点的作用来解决这一问题。我们提出了 CF-VLA，这是一种粗到细的两阶段公式化方法，它不缩短采样轨迹，而是将动作生成重构为一个构建动作感知起点的粗初始化步骤，随后进行一个单步局部细化以纠正残差。具体而言，粗阶段学习端点速度的条件后验，将高斯噪声转化为结构化初始化，而细阶段则从该初始化执行固定时间的细化。为了稳定训练，我们引入了一种分步策略，首先学习受控的粗预测器，然后进行联合优化。在 CALVIN 和 LIBERO 上的实验表明，我们的方法在低 NFE（函数评估次数）机制下确立了强大的效率-性能边界：它始终优于现有的 NFE=2 方法，在多项指标上匹配或超越了 NFE=10 的 $\pi_{0.5}$ 基线，将动作采样延迟降低了 75.4%，并实现了 83.0% 的最佳平均真实机器人成功率，比 MIP 高出 19.5 个百分点，比 $\pi_{0.5}$ 高出 4.0 个百分点。这些结果表明，结构化的粗到细生成能够同时实现强大的性能和高效的推理。我们的代码可在 https://github.com/EmbodiedAI-RoboTron/CF-VLA 获取。