FlashVLA:让机器人边执行边解码，单卡也能跑出 30 Hz

arXiv：2608.27384v1

VLA正逐渐成为机器人端到端操作的重要路线，但真实部署仍卡在推理延迟与异步执行不稳定上。以流匹配模型 π0.5 为例，每个动作块需要连续完成十次去噪，动作解码占单次推理时间的 75%。同步模式会让机器人在动作块交界处停顿，异步模式虽然把预测与执行重叠起来，却只能依据已经过时的观测生成动作；等动作真正下发时，机器人往往已经进入模型未见过的状态。现有方法通常只加速单次计算，或额外预测未来状态，难以同时解决延迟和时序错位。

FlashVLA 的核心改变是让多个动作块联合解码，而不是让每个动作块从纯噪声独立起步。系统维护一个流式动作缓冲区，其中不同位置的动作块处于交错的噪声等级：队首接近完成并即将执行，队尾则刚从纯噪声开始。每次前向计算都会让缓冲区内所有动作块共同推进一次去噪；预热完成后，模型每一步都能弹出一个可执行动作块，再从队尾补入新的噪声。完整去噪过程由此被摊到连续推理周期中，单步动作解码延迟最高降低 20 倍。

为了让联合解码符合真实执行顺序，FlashVLA 使用动作块级因果注意力：噪声较高、执行时间较晚的动作块可以关注更干净、即将执行的动作块，反向信息流则被屏蔽。未来动作因此能够感知机器人正在沿着怎样的轨迹前进，无需额外的未来状态预测器或动作条件模块。缓冲区还形成了一段结构化短期记忆，因为每个未来动作块都能参考多个更早的动作块。训练时，方法把同一观测对应的全部冷启动缓冲状态打包进一个样本，共享一次视觉编码，并用注意力掩码隔离不同配置，从而以轻量微调适配预训练的流匹配 VLA。

实验显示，这套结构没有用速度交换任务质量。在 LIBERO 的一步异步设置中，FlashVLA 将 π0.5 的平均成功率从 96.9%提升至 97.8%，同时把每步时间从 53.8 毫秒降至 22.1 毫秒，实现 2.43 倍加速；在 RoboTwin 2.0 长时程任务上，平均成功率更从 53.0%升至 89.6%，体现出动作块记忆对跨阶段操作的帮助。

这说明 VLA 的实时化不只依赖压缩模型或减少去噪步数，重新组织动作生成的时间结构，也能同时改善控制频率、轨迹连续性与长任务稳定性。
具身智能 论文 科研