动作生成不再按块拼接：ODEAction 用常微分方程连续演化动作，EBench 平均成功率相对提升 61.8%
核心概要
视觉-语言-动作模型通常一次预测一整段未来动作，相邻动作块之间缺少显式的时间一致性约束，容易在衔接处出现动作突变。ODEAction 把动作生成改写为从当前动作出发的连续演化：学习一个动作转移场，用常微分方程积分逐步生成后续动作，不再联合预测固定长度的动作块。在 LIBERO 上平均成功率由 96.85% 升到 98.25%，在 EBench 上由 15.28% 升到 24.72%，即 61.8% 的相对提升；在 RoboTwin 五个任务上与 RTC、Legato 对比，平均成功率 84.4%，高于基线的 82.4%。
深度剖析
动作生成的基本单位从一整段未来动作块变成当前动作的连续演化，相邻动作之间因此有了显式的生成依赖。 此前的做法仍以动作块为生成单位，RTC 在推理时约束新动作块，Legato 等在训练时引入跨块连续性约束，改进的是块与块之间的衔接，而不是生成方式本身。 在 LIBERO 上平均成功率由 96.85% 升到 98.25%，在 EBench 上由 15.28% 升到 24.72%，后者为 61.8% 的相对提升，且两个基准的全部评测单元上成功率与四项轨迹指标同时改善。
做法是学习一个动作转移场：给定当前动作、演化时刻以及视觉、语言和本体感知条件，它输出当前动作对演化时间的变化率。 训练时把离散示教动作插值成连续轨迹，并在轨迹邻域内采样查询动作，目标场由沿示教前进的方向项和把偏离动作拉回示教路径的修正项组成，直接监督该场，无需对数值积分反向传播。 推理时用前向欧拉法逐步积分，每个生成动作成为下一步的起点；在 RoboTwin 全部 50 个任务上，以 StarVLA-OFT 为基座策略，Clean/Random 设置下平均成功率由 85.7%/87.3% 升到 89.4%/89.8%。
去掉邻域采样或修正项都会让递归生成明显退化，说明收益不只来自取消动作块。 只保留示教轨迹上的监督时平均成功率为 47.4%，保留邻域但去掉修正项时为 56.2%，完整方法为 84.4%；直接预测下一动作的对照为 78.4%。 同一组五个 RoboTwin 任务上，完整方法的离线 rollout 误差为 4.25，两个消融变体分别为 8.84 和 13.17，误差累积比分别为 0.92、2.06 和 2.19。
启示与展望
评测覆盖 LIBERO、RoboTwin、EBench 三个仿真基准和 AgileX Cobot Magic 1.0 真机上的四个任务，真机每个任务采集 100 条示教轨迹、每种方法测试 20 次；所有对照在各自比较组内保持视觉-语言骨干、训练数据、控制频率与观测更新时刻一致。
边界不连续下降与成功率增益之间的强正相关来自 10 个评测单元的秩相关分析，属于统计关联而非因果结论；真机结果基于每个任务 20 次试验，且轨迹指标只在各方法的成功回合上计算。