Physical Intelligence：动作分块流策略的实时执行（RTC）

机器人在真实环境里跑 VLA（视觉—语言—动作模型）时，推理不是免费的：模型要吃掉图像和指令，才能吐出下一步动作。常见的工程做法是「动作分块」，一次生成一段连续动作再逐拍执行，用执行时间来摊薄推理开销。问题在于，当前一块快执行完、下一块还没算出来时，中间那段空档会直接暴露成停顿或抖动，动作越连续的任务越明显。这份由 Physical Intelligence 与 UC Berkeley 给出的资料，正面处理的就是这个边界上的时序问题，提出一个叫「实时分块（RTC）」的推理时算法。它值得现在看，是因为它不改模型、不重训，只在推理环节动刀——这类方案对已经有可用策略、却被延迟卡住的团队，落地成本最低。

从定位上说，RTC 是一个推理时算法，而不是新的策略架构或训练目标。资料给出的适用范围很明确：任何基于扩散或流匹配的 VLA 都可以套用，且不需要重新训练。换句话说，改动发生在采样与执行的调度层面，模型权重原封不动。这也决定了它的分析路径不是「收集更多数据、训更强的模型」，而是重新安排「生成」与「执行」这两件事的时间关系：在执行当前动作块的同时，并行生成下一块。这样一来，原本裸露在块边界上的那段等待时间，被塞进了正在执行的动作时长里。

关键的一点是，这种并行不是简单地把下一块提前算出来就完事。资料里给出的机制是「冻结」加「补全」：把那些在生成完成前必然会被执行到的动作固定下来，剩下的部分再由新生成的块补齐。这意味着块与块之间的衔接被显式约束住了，而不是让两次独立采样各自为政。做解读的话，这里的「冻结」本质上是在给后一次生成加一个已知的前缀条件，使新块必须与已经在执行的动作对齐；边界处的跳变，正是靠这个约束压下去的。这也解释了为什么它必须落在推理时——约束的对象是「此刻正在发生什么」，而不是训练分布。

第二层要点是通用性。资料强调 RTC 适用于任何扩散或流匹配 VLA，无需重新训练，这句话的分量在于它把方法从某个具体模型上摘了出来。扩散与流匹配是当前 VLA 里主流的动作生成方式，覆盖面本身就广；而「无需重新训练」意味着不需要为每个新任务、每台新机器重跑一遍训练流程。换句话说，它是一个可以叠加在现有推理管线上的补丁，而不是替换掉原有管线的新系统。对已经在跑分块策略的团队，这决定了评估成本：试一次的门槛，远低于换一个模型。

这些结论对实践的影响，我理解主要在两头。一头是部署侧：如果延迟造成的边界抖动是主要瓶颈，那么优先做的可能不是加算力或换小模型，而是改调度，让生成与执行重叠起来。另一头是评测侧：只报任务成功率，看不出边界上的停顿和抖动，而 RTC 针对的恰恰是这类时序上的劣化；要判断它有没有用，评测里得能观察到块边界的连续性。这也提醒一句，动作分块带来的延迟问题不是实现瑕疵，而是这种生成方式的结构性后果，任何分块方案都会遇到。

这份材料的边界也需要说清楚。从给出的内容看，它止步于问题定义、算法骨架和适用条件三项，没有给出量化结果：没有具体任务、没有平台，也没有延迟降低了多少、成功率变化多少这类数字。所以读完之后，能拿走的是三样东西——块边界问题的成因、RTC 的「并行生成＋冻结＋补全」这套机制、以及「任何扩散或流匹配 VLA 免重训可用」这个适用条件；拿不到的是增益幅度的判断。最适合读的是正在部署分块式 VLA、被推理延迟和动作抖动困扰的工程同学，以及想理解推理时算法这类思路的研究者。如果关心的是效果有多大，还需要回到原始资料里的实验部分去核对，这份摘要层面的介绍不足以支撑那个结论。