4 月 7 日是一个围绕动作循环的机器人主题日。最强的论文降低了 VLA 系统的推理成本，揭示语言有多容易把它们打断，也让动作生成更容易检查。SnapFlow、A1 和 DAERT 定下了基调：更快的控制、更严格的鲁棒性测试，以及词语和动作之间更紧的对齐。
推理速度是最清晰的主题。SnapFlow 把 flow-matching 动作生成压缩到一步，并在 pi0.5 上报告 98.75% 的 LIBERO 平均成功率，略高于它的 10 步教师模型 97.75%，同时把端到端延迟从 274 ms 降到 83 ms。A1 从模型栈一侧处理同一个瓶颈：在骨干网络中提前退出，再加上截断式 flow matching，单回合延迟最高降低 72%，骨干计算量减少 76.6%。VLA-InfoEntropy 保持训练免费，在测试时裁剪视觉计算，在 LIBERO 上达到 76.4%，高于 OpenVLA 的 75.0%，同时把延迟从 51.91 降到 31.25。共同的优先级是控制时延下的可用效率，不只是基准分数。
红队测试让 VLA 系统在看起来正常的语言下如何失效，变得更具体了。DAERT 生成保持任务含义、但仍能让策略失效的改写。它在 LIBERO 上把 pi0 的成功率从原始指令下的 93.33% 降到 5.85%，把 OpenVLA 的成功率从 76.50% 降到 6.25%。论文还报告它的攻击多样性高于 GRPO，这很重要，因为重复的提示模板会漏掉一部分失败面。这个阶段的安全测试线比泛泛的鲁棒性说法更强。
另一个活跃方向是让动作生成更容易检查，也更容易对齐。GPLA 训练层级 VLA，让它的子任务语言与场景和生成轨迹一致，方法是使用一个学习到的 grounding 评分器和偏好优化。它的动作指标在 LanguageTable 上接近监督微调，MSE 为 0.045，而监督基线是 0.046，尽管文本重合分数更低。Action Images 从另一条路径提升可解释性，把 7-DoF 动作编码成多视角热图视频，再训练一个视频模型同时生成未来观测和动作。它在若干 RLBench 和真实世界任务上报告了很强的 zero-shot 结果，包括示例中的 reach target 60% 和 real close drawer 45%。