一台机械臂把红色积木放进盒子，最慢的未必是抓取，而可能是手臂在空中移动时等待大模型给出下一段动作。普渡大学团队 9 月 17 日提交的预印本 SkipVLA 选择少问模型：在一组真机单积木任务中，MolmoAct2 的平均完成时间从 46.56 秒降到 18.82 秒，成功次数则从 20 次中的 18 次变为 19 次。
这组约 2.47 倍的加速是论文里的最大值，不是所有任务的平均表现。它真正提出的系统选择是：机器人不必让视觉—语言—动作模型（VLA）控制每一厘米移动。模型负责看懂指令和处理接触，成熟的运动规划器负责几何路径，速度来自把昂贵推理留在更需要它的位置。
空中移动交给规划器，抓放仍由 VLA 接管
SkipVLA 把一次抓放拆成反复交替的两个阶段。机械臂先由规划器移动到目标物体上方的悬停位姿；进入目标距离后，VLA 接管抓取或放置；抓手一旦开合，控制权再交回规划器，开始下一段自由空间移动。
规划器本身不理解“把红色积木放进盒子”。系统先用 RGB-D 画面生成候选物体的三维包围盒，再把每个包围盒与原 VLA 冻结的视觉—语言特征做交叉注意力打分，选择下一目标。随后，VAMP 或 cuRoboV2 根据当前关节状态、目标位姿和碰撞信息生成路径。VAMP 把碰撞检测与正向运动学向量化，其 2024 年论文报告采样式规划可进入微秒级；在 SkipVLA 中，这类规划器承担了原本需要多次 VLA 查询的空中行程。
团队没有重新训练 VLA，也没有采集新的示教，但仍训练了一个新的目标打分头。监督信号来自原有示教：每当抓手开合，系统找到离末端执行器最近的包围盒，把它当作此前移动阶段的目标。仿真实验用了 13 个 LIBERO 顶视抓放任务，每项 50 条人类遥操作示教，共 650 条；三项真机任务的两个基础 VLA 也分别用每项 50 条示教微调。因此，“无需新增示教”不等于无需训练或无需任务数据。
切换边界同样不是模型学出来的。机械臂抵达悬停位姿时转给 VLA，抓手状态改变时转回规划器。论文还用物体高度变化做了替代实验，结果接近，但作者明确把学习任务边界留作后续工作。
2.47 倍只出现在最简单的一组真机任务
SkipVLA 在仿真和真机中的收益并不均匀。LIBERO-Object 的 10 个短任务上，π0.5 配合 VAMP 的成功率都为 99%，成功试验的平均时间从 8.33 秒降到 5.27 秒；SmolVLA 配合 VAMP 则从 12.61 秒降到 6.96 秒，成功率由 39% 升至 77%。在更长的三个 LIBERO-10 任务上，π0.5 配合 VAMP 只从 15.69 秒降到 13.84 秒，换用 cuRoboV2 后反而升到 17.84 秒。规划器减少了 VLA 调用，并不保证每种组合都缩短墙钟时间。
真机测试覆盖单积木入盒、两块积木入盒和三块积木堆塔，每项、每种方法各做 20 次。按论文表格复算，SkipVLA 让 MolmoAct2 三项任务的平均时间降幅分别为 59.6%、45.2% 和 33.3%，三个百分比的算术平均为 46.0%；π0.5 对应为 28.8%、38.9% 和 24.1%，平均 30.6%。MolmoAct2 单积木任务的 46.56/18.82，才是标题常被压缩成的“最多 2.5 倍”。
能耗随调用次数一起下降。在 NVIDIA Jetson Thor 上，MolmoAct2 三项任务的平均能耗降幅为 52.4%，π0.5 为 29.1%。不过论文只对成功试验统计时间、调用次数和能耗，失败或超时的试验不进入这些均值；不同方法的成功样本数并不总相同。20 次真机试验也没有配套等效性检验或置信区间，所以更准确的说法是：作者在这六组真机对照中观察到相当或更高的成功次数，同时成功试验完成得更快，而不是已经证明两种系统在一般条件下成功率等效。
省下推理的代价，是先把任务结构说清楚
SkipVLA 的边界与它的速度来源是同一件事。当前系统只测试了可顶视抓取的 pick-and-place：场景需要深度图、可用的三维物体框、机器人与障碍物模型，以及能够由抓手开合标记结束的接触阶段。开门、擦拭、插接、工具使用、柔性物体操作，或抓手事件不能代表任务边界的动作，都没有被这组实验覆盖。三项真机任务也只使用一台 6 自由度 YAM 机械臂。
这条路线并非孤例。更早的 MPVI 在 BEHAVIOR-1K 仿真家庭任务中，把移动交给 A*，只在目标附近调用 VLA，并用本体状态触发完成检查。两项工作共同指向一种变化：端到端模型不再天然拥有整段轨迹的控制权，系统开始按物理难度和语义需求分配计算。但 MPVI 的移动操作与 SkipVLA 的桌面抓放不同，不能当作后者 2.47 倍结果的独立复现。
截至论文首版，arXiv 页面未列出 SkipVLA 的代码或轨迹数据，结果仍来自作者报告。下一步真正决定这种混合系统能否离开规则整齐的抓放台面的，不是再展示一个峰值加速，而是能否公开工件，并让系统在没有固定抓手事件、目标会被遮挡或接触持续发生时，仍可靠判断何时该让规划器走、何时必须把控制权还给模型。
