SWAP 用离线强化学习在 VLA 策略间逐步路由，DROID 真实任务成功率从 63.3% 提升到 96.7%
SWAP 把机器人策略路由建模为离线强化学习问题，用 IQL 训练一个路由 critic，在每个动作块之后根据当前观测从多个预训练 VLA 策略中选出预期长期回报最高者；在真实 DROID 桌面操作上，成功率从最佳单一策略的 63.3% 提升到 96.7%，成功轨迹的平均动作步数从 269 降到 193（减少 28.3%），并在 LIBERO 与 LIBERO-Plus 仿真中优于固定策略与随机路由。