训练时动作条件化实现高效实时分块

实时分块（real-time chunking，RTC）让视觉-语言-动作模型（VLA）异步地预测动作块，并以已经提交的动作为条件，从而生成平滑、具备反应性的机器人轨迹。问题出在条件化发生的位置上：它在推理时用补全（inpainting）的方式把新预测接到已执行的动作后面，而这一步本身要付出计算代价。这份资料要回答的就是，能不能把条件化从推理时挪到训练时，既保住 RTC 的平滑与反应性，又不再为补全买单。值得现在看的理由很直接：只要系统是靠 RTC 拿到平滑和反应性的，这份开销就会落在每一个控制周期上，而实时控制的时间余量本来就紧。

这份资料的范围收得很窄，只动「条件化发生在哪一步」这一个变量，不涉及新的模型结构，也不涉及新的运行时系统。它的做法是在训练阶段就模拟推理时会出现的延迟，让模型直接以动作前缀为条件来学习，于是推理时不必再做补全。验证放在 Physical Intelligence 自己的 π0.6 上，用的是真实机器人任务，材料里点名的是搭盒子和制作意式咖啡。换句话说，这是把一个工程上的近似从部署侧前移到训练侧，用训练时的分布对齐去换推理时的计算节省。

第一个值得记下的结论是关于改动成本：这套方法不需要修改模型架构，也不需要改动机器人运行时，材料给出的说法是只需几行代码。这意味着它不是一次重新设计，而更像在现有训练管线里加一段逻辑，把「模型部署时会看到什么样的动作前缀」这件事在训练时就喂给模型。对已经在跑 RTC 的团队来说，这个性质决定了迁移代价——不必重写推理服务，也不必重新设计控制循环。当然，「几行代码」描述的是接口层面的改动量，延迟怎么模拟、训练数据怎么组织，仍要回到一手报告里核实。

第二个结论在效果层面：在 π0.6 上执行搭盒子、制作意式咖啡等真实任务时，训练时条件化的性能和速度与推理时 RTC 持平，而计算更省。这里要留意「持平」的分量——它说的是没有拿性能换效率，RTC 原本要解决的平滑与反应性没有被牺牲掉。材料没有展开省了多少、在什么硬件上省，但把方向说清楚了：开销的削减来自不再做推理时补全，而不是来自放松对轨迹质量的要求。按解读，这相当于把每个控制周期的推理成本，换成了训练阶段的一次性建模工作。

这些结论对实践的影响，主要落在实时性预算怎么分配上。控制频率越高，推理时补全这类固定开销占的比例就越显眼，把它移出推理路径等于给每个周期腾出余量；余量可以还给模型规模、观测处理或者更短的反应延迟，具体怎么用材料没有给建议，属于解读层面的推论。另一层影响是可移植性：不需要改架构和运行时，意味着已在用 RTC 的系统可以按同一套接口试过去，不必等下一次大改版。反过来说，收益也主要属于那些确实在用推理时补全、并且已经把延迟压到边界的团队。

这份资料对做 VLA 部署、尤其是已经在用 RTC 的工程团队最有用，读完能拿走的是一套明确的改动思路：把条件化前移到训练，用动作前缀代替推理时补全，以及「不碰架构、不碰运行时」这条压低迁移成本的约束。做训练侧工作的人也能从中看到一个熟悉的模式——与其在部署时打补丁，不如把部署时的约束编进训练分布。边界要说清楚：材料只给了一个模型和两类真实任务上的结论，没有给出计算开销的具体降幅、延迟模拟的设定，也没有说明这套做法在更长动作块或更高控制频率下的行为，这些都要回到一手报告确认。就一份短篇技术说明而言，它提供的是一条可验证的方向，而不是一张完整的性能账单。