Leap-VLA：低频 VLM 骨干驱动高频机器人控制

Leap-VLA 要回答的是一个很具体的错配：视觉语言模型（VLM）参数量达到数十亿，而 VLA 模型过去习惯在每个控制步都让它把整幅观测重新编码一遍；但场景语义大约以 1 Hz 的节奏变化，反应式控制却需要 20–50 Hz 的输出。两者相差一两个数量级，把最昂贵的语义计算绑定在最频繁的控制节奏上，等于让最重的模块做最多的重复劳动。这份资料值得现在看，是因为它没有停在「降频」这种粗糙折中上，而是把低频语义与高频动作拆成两条流水线，并正面处理由此产生的缓存陈旧问题。换句话说，它讨论的是如何在不牺牲反应速度的前提下，让大模型只在真正需要时出场。

资料覆盖的是一套完整的系统设计与基准评测，而不是一张架构示意图。方法上，VLM 以低频运行，充当语义锚点并把上下文缓存下来；真正输出动作的是高频 flow-matching 动作专家，它同时接收来自紧凑视觉编码器的新鲜画面，以补上缓存之间缺失的即时信息。训练阶段还显式地让模型适应缓存的「陈旧度」，而不是假设缓存总是最新的。围绕这条主线，资料另外给出两个工程组件：零额外延迟的块边界校正（soft-nudge），以及在指令与场景不符时冻结执行的思维链判定门。评测落在 LIBERO 的四个套件上，用成功率说话。

最能说明问题的是 LIBERO-Spatial 上的对比。当语义刷新被拉长到 2 秒一次时，成功率从 61.4% 提升到 95.5%；刷新间隔缩到 1 秒，数字是 95.9%。这两个数放在一起看很有意思：2 秒与 1 秒之间只差 0.4 个百分点，说明性能并不随刷新频率线性变化。这意味着关键不在于「刷新得多快」，而在于缓存变旧时动作专家还能不能稳住；也可以理解为，61.4% 那个起点正是没有处理好陈旧度的代价。把语义锚点降频本身不难，难的是降频之后不掉点，这组数字是该方法成立的主要证据。

四个 LIBERO 套件的平均值给出了另一个视角：1 秒刷新 95.2%，2 秒刷新 94.5%，而频率匹配的基线是 96.3%。换句话说，与「每个控制步都重编码」的基线相比，低频方案仍有约一个到两个百分点的差距，并没有全面反超，但它把语义计算从控制回路里摘了出来。块边界校正 soft-nudge 的成绩是 97.1%，且实现逐步重规划而没有精度损失，额外延迟为零——这条更像是对「分块执行会牺牲平滑性」这一常见顾虑的直接回应。判定门则负责另一类风险：当指令与场景不符时冻结执行，同时不影响可行任务的成功率。

把这些放在一起，实践上的含义大致有三层。其一，VLA 的算力预算可以按信息变化的速度来分配，语义模块低频、动作模块高频，这比整体降频或整体蒸馏更贴近问题本身。其二，缓存不是免费的，必须把「陈旧」当作训练分布的一部分，否则 61.4% 那样的塌陷会反复出现。其三，安全兜底可以做成一个独立的判定环节，在不拖慢正常执行的前提下拦住不该执行的动作。需要说明的是，以上是对材料结论的延伸解读，资料本身给出的是成功率，而不是端到端延迟或功耗的绝对值。

这份资料适合正在做 VLA 部署、或者被「大模型进控制回路」的算力问题卡住的研究与工程读者；读完能拿走的是一个清晰的分工范式、一组可对照的基准数字，以及「缓存陈旧度需要显式训练」这条容易被忽略的经验。边界也要讲清楚：评测集中在 LIBERO 的四个套件上，属于仿真基准，材料没有给出真实机器人平台上的结果，也没有跨本体迁移的证据；soft-nudge 与判定门各自只有一个总体数字，缺少分任务拆解。因此它更像是一个方向的强证据，而不是可以直接照搬的部署配方。