OpenVLA-OFT 的动作块解码与启元 Q1 的快慢脑架构

视觉语言动作模型（VLA）这两年很热，但它有个被低估的问题：模型再聪明，动作生成得太慢，机器人就用不了。OpenVLA-OFT 这篇论文把这个问题讲得很直白——VLA 不只是要预测得对，还要在机器人来得及执行的时间里预测出来。而启元 Q1 的落地又补上了另一半：即便动作生成够快了，一个真实人形机器人还差一层快慢脑的分工。这篇把这两件事连起来看。

模型快不等于机器人能动

原始 OpenVLA 用自回归方式，把动作离散成 token，像生成文字一样逐维生成动作。低频单臂任务还能凑合，一到高频双臂或人形机器人，逐维生成就产生明显延迟——单臂场景约 3 到 5 Hz，而真实双臂控制常要 25 到 50 Hz 甚至更高。这是「模型能力」和「真实动作」之间最本质的落差：一个 7B 的 VLA 理论上懂怎么抓，但动作吐得太慢，闭环控制根本来不及。OpenVLA-OFT 解决的正是这个工程问题：怎么改微调与动作解码方式，让一个 7B 模型同时拿到更高的吞吐量和更好的任务成功率。

OFT 改了什么

OpenVLA-OFT 不是重新预训练一个新 VLA，而是以 OpenVLA 为底座，系统比较了动作解码、动作表示和训练目标，最后组合成一套 Optimized Fine-Tuning（OFT）方案，核心三部分：并行解码加动作分块、连续动作表示、L1 回归目标。

并行解码是把原来「逐动作 token 串行生成」改成双向注意力、一次前向并行产出整个动作维度；动作分块是让模型一次预测未来一段动作（一个动作块）而不是单个动作；连续动作表示是不再把动作离散成 bin，而是直接输出连续值；L1 回归则把训练目标从「预测下一个 token」换成最小化预测动作与真值的 L1 距离，比扩散方案轻得多。真机场景里再叠加 FiLM，用语言条件调制视觉特征，防止模型被视觉干扰带偏、忽略语言指令。

关键数字

在 NVIDIA A100 上测 LIBERO，原始 OpenVLA 动作吞吐 4.2 Hz、单次延迟 0.2396 秒，仅加并行解码就升到 15.9 Hz、延迟降到 0.0629 秒。这些数字说明一件事：速度在这里不只是指标，而是能力——动作块预测让模型更好地捕捉时间依赖，动作更平滑可靠。

启元 Q1 的快慢脑

把动作块解码这套东西落到真实人形机器人上，还要解决「谁来想、谁来动」的问题。启元 Q1 是上海启元机器人的小尺寸全身力控人形机器人，约 88 厘米、售价 19999 元。它的技术框架是快慢脑分层：S2 慢脑用 GPT-6 Astra 这类大模型做高层任务理解、逻辑推理、长任务规划和记忆调度；S1 快脑是自研的 VLA，负责叠衣服、整理桌面、柔性物体操作这类高频连续动作，接收慢脑指令后快速输出动作。

这套分工背后的判断很实在：通用大模型不善于直接接管底层动作执行，完全靠它做精细操作，单次抓取耗时可达半小时、token 成本极高。所以高层规划交给慢脑，真实动作生成交给快脑 VLA——模型、数据、硬件必须绑定迭代，短期难有通吃所有硬件的 VLA。数据侧启元用 Hil-UMI 范式，增加薄弱环节识别，采集效率达传统真机 HG-DAgger 的 5.63 倍。

对开发者意味着什么

两个信号。一是 OpenVLA-OFT 证明了「简单方案能赢」：L1 回归加并行解码，能在精度上比肩甚至超过扩散类策略、速度还快得多，工程上的性价比很高。二是落地人形机器人时，VLA 只是快脑，完整的系统还需要慢脑规划、需要把动作下发给本体时做限幅和状态机兜底——模型输出的动作序列不能原样直通电机，中间必须有一层物理约束过滤。对做具身智能的人，最实在的启示是：先把「动作生成频率」这道坎过了，再谈上层泛化。

待观察

两点。一是 OpenVLA-OFT 的结论主要来自 LIBERO 仿真和 ALOHA 双臂，跨到更复杂的人形本体、更长的任务链，泛化如何还有待验证，论文自己也在 L1 回归对多模态动作分布的局限上留了口子。二是启元方面，C 端商业化的硬门槛是家庭任务完成度 95% 以上，Q1 目前更多解决稳定性和陪伴交互，真正面向家务的轮式 H 系列仍在迭代。方向明确，但离「通用家务机器人」还有相当距离。