内容摘要
机器人边操作物体边生成文字记忆时，动作要按控制周期更新，文字可以跨周期完成。作者指出，现有系统将两项任务分开推理，会重复处理同一观测并争抢算力。OxyGen面向多专家视觉—语言—动作模型（VLA），改变的是推理运行时的缓存与调度方式，为端侧并行动作和语言任务提供优化路径。
其核心是统一管理键值缓存（KV缓存）：同一观测只编码一次，结果供动作和语言模块复用；再将不同控制周期中尚未完成的语言请求合批，在每周期限定的解码步数内推进，保存状态后续接，而非等整段文字生成完再更新动作。
作者在π₀.₅模型上报告：相同输出长度下，相比逐项顺序执行，动作生成频率和语言总吞吐量提高至1.2—3.7倍。搭载Jetson AGX Thor的人形机器人实验中，动作与语言路径合计耗时由1030毫秒降至393毫秒；该设置每次生成10个动作、使用10步动作去噪，语言请求长30个词元，每周期解码5步。收益存在取舍：减少每周期语言解码步数可提高动作生成频率，却可能延长单条语言请求的完成时间。
点评
对本体推理软件开发者，价值在于复用共享观测的计算，并让辅助语言任务跨控制周期推进；作者已基于openpi实现JAX和PyTorch后端。
结果来自作者论文实验，不是独立复现。当前实现使用固定的每周期解码步数；评估主要针对动作与语言并发，更多输出模态及端到端真实闭环应用仍待验证。
版本与核查范围
版本 2603.14371v5 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 figcaption[9]；#S3.SS1.SSS0.Px2.p1.1；#S2.SS0.SSS0.Px1.p1.1；#S3.SS1.SSS0.Px1.p1.2；#S1.p5.1；#S3.SS2.SSS0.Px1.p1.2；#S4.SS2.SSS0.Px1.p1.1；#S4.SS7.p1.1；#S4.SS7.p2.1；#S3.SS2.SSS0.Px2.p2.1；#S1.p6.1；#S5.SS0.SSS0.Px1.p1.1