AR-VLA：视觉 - 语言 - 动作模型的真正自回归动作专家

本文提出一种独立的自回归动作专家，通过可刷新视语前缀生成连续因果动作序列。与现有重置时间上下文的反应式模型不同，该专家利用长时记忆维持自身历史，具备内在上下文感知能力。此结构解决了快速控制与慢速推理间的频率失配问题，支持运动语法的高效预训练及模块化集成。通过重锚定机制同步异步多模态数据，实验表明该方法在模拟与真实机器人任务中优于传统分块动作头，轨迹更平滑且成功率相当或更高，为机器人策略训练提供了稳健的结构基础。