当天的证据将近期对高效机器人学习的关注延伸到了部署环节。视觉-语言-动作（VLA）系统正在围绕推理、控制连续性和数据采集进行优化，而不只是依靠模型规模扩展。现有结果涵盖仿真和有限的真实机器人测试，因此其在广泛实际环境中的可靠性仍未得到证明。
三篇论文分别针对控制延迟的不同来源。去除时间冗余的方法缓存稳定的视觉令牌，并将流采样压缩为两步；在 LIBERO 上达到 8.2 FPS，平均成功率为 93.8%，而原始策略为 94.4%。Jetson-PI 则预测未来表征，以纠正异步推理中的过时观测；系统优化将 Jetson Orin 的控制频率从 0.70 Hz 提升至 6.06 Hz。ChunkFlow 通过边界感知训练和重叠融合补充原始速度，在 LIBERO-Long 上报告 93.4% 的成功率和 4.43 ms 的推理延迟。综合来看，实用的 VLA 控制取决于视觉感知复用、动作生成、硬件调度和动作块执行之间的协同。
数据稀缺这一信号仍在延续，但现在出现了主动制造多样性的机制，而不只是增加示范数量。WANDA 将一次 RGBD 示范转换为重建和生成的 3D 场景中的多条轨迹；在仿真中达到 75.6% 的平均成功率，接近使用约 40–60 次示范训练的基线。ExToken 利用行为聚类使强化学习 rollout 多样化：256 次 rollout 达到 93.4% 的成功率，而匹配基线为 90.3%，且性能接近其 512 次 rollout 的设置。FlowWAM 提供了另一条路径：从无动作标注视频中提取的光流，将 RoboTwin Clean 的成功率从 82.40% 提升至 92.94%。
明确的表征设计仍然是效率提升的重要补充。VistaVLA 将语义特征建立在 3D Gaussian 基元上，再将约 100,000 个基元压缩为供策略使用的 64 个令牌。该方法在七项真实世界任务中的平均成功率提升了 22.8 个百分点，但对大幅位置变化的处理仍然困难。FlowWAM 将动作表示为光流视频，使一个预训练视频架构能够同时支持控制和未来预测；在 RoboTwin Clean 和 Random 上分别达到 92.94% 和 92.14% 的成功率。共同结果并不是表明研究普遍转向 3D 或视频表征，而是表明：当表征的坐标系和时间结构与控制问题相匹配时，表征设计才会带来帮助。