动作

Action-chunk级权重采用指数衰减（γ=0.8），确保近期动作预测权重更大。

LLaMA-2的浅层输出用于动作路由决策，深层输出用于动作预测。

从任务特性来看，机器人操控存在两种本质不同的动作类型：手臂大幅度运动（粗动作）需要全局场景理解、路径约束宽松；

此外，传统方法缺乏对动作类型的主动感知与路由机制，无法根据当前操控阶段动态分配合适的推理资源，导致在长时程复杂任务中错误率随步骤增加而快速累积。

将两类token分别路由给粗动作和精细动作模型，无需额外的特征对齐训练，即可让模型的「视觉感知」与「操控阶段」高度匹配，为未来VLA模型的视觉编码设计提供了重要的实证依据。

这一设计使「全局感知」与「局部精细」的视觉信息分别流向对应的动作模型。

视觉-语言-动作（VLA）模型正成为机器人智能化的核心架构，但现有主流方法（如OpenVLA、π0、CogACT）存在一个根本性缺陷：用同一个动作模型统一处理所有类型的动作。