内容摘要
动作压缩得到的离散表示，未必适合自回归模型逐词元生成。作者提出因果动作词元化器CATok，将动作编码从单纯压缩改为具有生成阶段结构的表示学习，目标是让动作词元的组织方式与自回归VLA对齐。
其核心是条件退火：随流匹配时间推进，逐步屏蔽序列前部的词元，使早期词元提供整体动作引导，后期词元专注细节残差，形成由粗到细的层级。系统以双流编码器和瓶颈向量量化获得离散词元，再由MMDiT流匹配解码器重建连续动作块；接入VLA后，词元化器与解码器冻结，仅更新自回归骨干。
作者报告，移除条件退火后，消融实验平均成功率由0.959降至0.914。在SimplerEnv训练比较中，CATok约用FAST一半的训练步数达到其最佳表现。真机实验采用Franka平台，两个方法共享Qwen3.5-VL骨干及训练协议；CATok在空间、颜色和长时程三组任务上的成功率均比FAST高20个百分点。这些结果来自作者实验，真机验证仍限于单一平台与有限任务。
点评
该工作将动作词元的生成阶段结构与自回归预测目标对齐，为动作离散化提供了不只追求压缩与重建的设计方向。
作者尚未验证多样本体、传感配置、环境与动力学条件下的稳健性，也未研究大规模、多样化跨本体数据上的扩展性；不能据此外推通用机器人能力。
版本与核查范围
版本 2609.35469v1 · 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 #abstract1.1；#S3.SS2.p6.1；#S3.SS2.p7.1；#S3.SS2.p1.1；#S3.SS4.p1.1；#S3.SS4.p2.1；#A3.SS0.SSS0.Px1.p2.1；figcaption[80]；#S4.SS2.p3.1；#S4.SS1.p3.1；#S4.SS1.p4.1；#S4.SS2.p4.1