CF-VLA：为视觉-语言-行动策略生成高效的从粗到细的行动

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，但存在根本性的低效率：需要多步推理才能从无信息的高斯噪声中恢复动作结构，导致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动作建模中起点的作用来解决这个问题。我们提出CF-VLA，而不是缩短采样轨迹，这是一种从粗到细的两阶段公式，它将动作生成重组为粗略的初始化步骤，构建动作感知的起点，然后进行单步局部细化以纠正残留误差。具体而言，粗略阶段学习端点速度的条件后验，以将高斯噪声转换为结构化初始化，而精细阶段则从该初始化执行固定时间细化。为了稳定训练，我们引入了一种逐步策略，首先学习受控粗预测器，然后执行联合优化。 CALVIN 和 LIBERO 上的实验表明，我们的方法在低 NFE（功能评估次数）制度下建立了强大的效率性能前沿：它始终优于现有的 NFE=2 方法，在多个指标上匹配或超过 NFE=10 $π_{0.5}$ 基线，将动作采样延迟减少 75.4%，并实现 83.0% 的最佳平均真实机器人成功率，优于 MIP 19.5 点，$π_{0.5}$ 增加 4.0 点。这些结果表明，结构化、从粗到细的生成可以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。