视觉-语言-动作（VLA）策略常使用流匹配方法，通过多次调用动作专家生成动作块。增加积分步数会提升推理成本，却不一定提升闭环成功率。我们提出 Coda，将部分积分预算转移到单一的学习型端点校正上。具体做法是：先让冻结的策略完成少步的噪声到动作的轨迹，然后使用一个轻量级 Transformer 预测一个示例监督的残差，该残差基于候选动作、源噪声以及共享的观测前缀缓存进行计算。仅对校正器进行训练。
在 50 项 RoboTwin Easy 任务上，五步 Coda 将成功率从 71.64% 提升至 74.68%，同时相较于默认的十步策略将前向延迟降低了 30.2%。两步配置实现 71.88% 的成功率，速度提升 $2.12\times$。独立的 13 项对照实验显示，在几乎相同的延迟下提升了 5.69 个百分点，验证了端点校正是替代额外积分的有效手段。相同设计同样提升了冻结的官方 SmolVLA，将两步成功率从 60.8% 提升至 69.4%。这些结果表明，端点校正能够改善冻结流匹配策略的质量‑延迟权衡。
点评