FastOPD：面向轻量VLA部署的在线蒸馏

视觉-语言-动作（VLA）基础模型快速扩展以增强操作性能与泛化性，但这种扩展带来高昂计算成本，使真实部署日益困难。现有方法通常以更小架构或减少流式策略的迭代去噪步来缓解。我们提出FastOPD，通过高效在线蒸馏实现大规模VLA实用部署的基础到轻量框架：使流图适配单状态教师监督，并与自一致目标结合构建学习教师动力学的紧凑学生。理论上我们证明最小化该目标使蒸馏学生恢复与理想少步教师模型诱导的相当的分布。我们在仿真与真实实验中跨多样基础策略评估：LIBERO上，FastOPD仅两步推理保留π0.5的84%性能、延迟降低78.1%，平均成功率优于既有少步蒸馏基线；以LingBot-VLA为教师，FastOPD在RoboTwin 2.0上把单步成功率较基础学生提升15.9个百分点；还展示了其对世界动作模型（WAM）的适用性，并把从MolmoAct2蒸馏的紧凑学生部署到真实机器人。