当前的重点是让机器人策略在部署约束下保留有用的内部状态。Vision-Language-Action（VLA）工作关注紧凑的空间 token、潜在动作监督和测试时视觉校正。Dream-MPC 把同样的压力带到连续控制中：在线规划，但把模型调用次数压低。
ConsisVLA-4D 将空间一致性当作推理预算问题来处理。它保留 32 个与指令相关的视觉 token，在多个摄像头视角之间对齐这些 token，并把几何信息存到紧凑的潜变量 token 中。报告中的提升同时来自准确率和速度：在 LIBERO 上比 OpenVLA 提升 21.6%，推理速度快 2.3 倍；在真实机器人平台上提升 41.5%，推理速度快 2.4 倍。
T³VF 处理的是视觉前瞻 VLA 模型中的另一个失效点。它把预测的未来图像和之后观测到的图像做比较，然后在动作方差较低时只更新可学习的查询 token。在带扰动训练的 LIBERO-Plus 上，它把 Mantis 的平均成功率从 49.3% 提高到 52.1%，在摄像头和光照扰动上的提升更大。
这项潜在动作研究给出了许多 VLA 论文缺少的受控比较。它使用一个基于 Qwen3-VL-2B 的统一基线，在四种集成方法下测试基于图像的潜在动作和基于动作的潜在动作。最好的结果取决于任务类型。LA-Direct 在 LIBERO-Long 上达到 96.6%，比基线高 10.8 个百分点。LA-Tok 在 RoboTwin 2.0 上达到 78.0% 的平均成功率，高出 17.5 个百分点，并把 Move Can Pot 这类偏重运动控制的任务从 46% 提升到 70%。
实际含义很清楚：潜在动作在与监督问题匹配时才有用。由图像导出的 token 有助于长时程场景推理。由动作导出的 token 有助于在异构机器人数据上统一运动控制。
Dream-MPC 把部署约束这个主题带到了连续控制上。它只从策略先验中采样 5 个候选动作序列，把它们放进一个学习到的潜在世界模型里展开，然后用预测回报和终值只做一步梯度更新。一个不确定性惩罚会压低进入模型误差区域的计划，动作复用则把优化工作带到后续的模型预测控制步骤中。
效率上的说法很具体。在报告的设置里，Dream-MPC 每个时间步只做 15 次世界模型评估，而引用的 MPPI 配置要做 9,216 次。用 BMPC 跑 24 个连续控制任务时，它把 IQM 归一化分数提高 26.7%，把平均归一化分数提高 20.5%。用 TD-MPC2 时，它比只用策略的基线更好，但没有稳定达到带 MPPI 的 TD-MPC2。