流匹配不确定性的几何结构：一个零成本的不确定性代理及其在基于流的VLA失败检测中的应用

流匹配（FM）已成为现代具身模型流行的动作头范式。然而，作为条件生成模型，它并不显式暴露其固有不确定性，即使误解了场景或遇到分布外（OOD）输入，也会产生错误的动作块（action chunk）。因此，判断FM生成的动作何时可信对安全部署至关重要，但现有的面向实时控制的不确定性估计方法存在诸多问题：额外的训练开销、高昂的计算成本以及泛化能力低。在这项工作中，我们对FM不确定性在速度场中给出几何解释，表明不确定性表现为对理想的仿射各向同性收缩场的偏离。基于这一观察，我们提出去噪加速度（denoising acceleration，$\mathrm{accel}$），一个高度泛化且零成本的不确定性代理，它通过单次前向传播度量去噪轨迹的弯曲程度，无需额外的模型评估、训练或重采样。我们从理论和实证上证明$\mathrm{accel}$是FM不确定性的忠实代理，并进一步测试其在在线失败检测中的效用。结果表明，$\mathrm{accel}$能在终止之前很早识别出失败的rollout，在真实部署预算下跨设置匹配甚至超越昂贵的基于重采样和基于训练的基线。代码与演示见：https://github.com/rrrrrrzy/fm-geometry。