TL;DR

在机器人操控领域，视觉-语言-动作模型（VLA）正面临一个尴尬的瓶颈：早期报错，满盘皆输。本文提出的 DFM-VLA 引入了离散流匹配（Discrete Flow Matching）技术，让模型具备了“反悔”的能力。通过在生成过程中动态调整已生成的动作令牌，DFM-VLA 在 CALVIN 和 LIBERO 等基准测试上全面刷新纪录，并实现了推理速度的翻倍。

1. 痛点：不可逆的“致命错误”

目前的 VLA 模型主要分为两派：

1. 自回归 (AR)：逐个令牌预测。一旦第一个动作令牌错位，后面的序列往往会错上加错。
2. 离散扩散 (DD)：虽然支持并行，但在早期迭代中确定的高置信度令牌在后期很难被大规模重写。

作者将此现象称为 Irreversible Commitment (不可逆承诺)。在精细的机器人操作（如开门、抓取细小物体）中，这种缺乏容错机制的解码方式正是导致模型性能触顶的主因。

2. 核心直觉：引入“速度场”的动态修正

DFM-VLA 的核心思想是不再把动作生成看作“填空题”，而是一个“演化过程”。

行动令牌的流匹配

模型通过建模一个令牌级概率速度场 (Probability Velocity Field) 来指导动作序列的更新。这意味着在每一个解码步骤中，模型不仅在预测“正确的动作是什么”，还在计算“当前令牌应该以多快的速度向目标状态演化”。

两种建模方案

论文深入探讨了两种构建速度场的方式：

• Auxiliary Velocity Head：额外增加一个预测头来输出更新速率。
• Action-Embedding-Guided (本文推荐)：利用动作令牌在嵌入空间中的几何距离来引导路径。直观地说，语义越接近的动作，它们之间的“流动”就越顺滑。

图 1：DFM-VLA 整体架构，统一了视觉、语言和动作的离散表示。

3. 解码黑科技：两阶段与自适应加速

为了平衡“灵活性”与“稳定性”，DFM-VLA 采用了一个聪明的两阶段解码策略：

1. 迭代修正阶段 (Refinement Stage)：使用 Euler 离散化采样，允许令牌通过随机跳变进行探索和错误修正。
2. 确定性验证阶段 (Validation Stage)：在最后几步切换为贪婪解码，强制收敛到稳定输出。

此外，为了解决迭代带来的计算开销，作者引入了 Adaptive KV Caching。通过检测动作令牌特征的变化幅度，模型可以跳过那些不需要更新的 KV 缓存，最终在 H100 GPU 上实现了 121.0 tokens/s 的高推理速度，比传统 AR 模型快 2.4 倍。

4. 实验战绩：SOTA 与真实世界泛化

在仿真环境 CALVIN 中，DFM-VLA 展现了极强的长程任务一致性。

表 1：在 CALVIN ABCD→D 任务中，DFM-VLA 以 4.44 的平均长度位居第一。

在更为复杂的 LIBERO 任务中，DFM-VLA 在 Object（物体泛化）和 Long（长程组合）子项上表现尤为出色，平均成功率达到 95.7%。这证明了其在面对未见物体和复杂逻辑时的稳健性。

真实世界表现

在真实的 AgileX 双臂机器人平台上，DFM-VLA 完成了协同抬锅、置物等复杂任务，平均成功率（70.8%）大幅领先于基于扩散模型的 baseline (60.0%) 和 π0-FAST 等方法。

5. 深度洞察

为什么 DFM-VLA 这么强？

• 低数据制度下的韧性：消融实验显示，在仅使用 10% 数据时，DFM-VLA 的领先优势最大。这说明迭代修正机制能显著降低模型对海量专家数据的依赖。
• 语义感知：Embedding 引导的流匹配利用了动作空间的流形结构，使得错误修正变得“有迹可循”。

6. 总结与展望

DFM-VLA 成功地将生成式 AI 的前沿理论（DFM）应用于机器人操控。它告诉我们，赋予机器人“思考并更正”的能力，比让它“过目不忘”更加重要。未来的挑战可能在于如何将此架构扩展到更高维度（如全身控制）以及如何进一步压缩迭代步数以适应极致的实时性要求。

参考资料：

• 项目主页：https://chris1220313648.github.io/DFM-VLA/