视觉语言动作（VLA）策略在机器人操作中表现出强泛化能力，但处理密集的视觉令牌会导致推理延迟。视觉令牌剪枝可以降低成本，关键是选出既紧凑又能保持可靠动作生成的令牌。现有方法多依赖静态或即时的启发式指标。APS‑VLA 在保持预训练 VLA 主干冻结的前提下，从机器人示范中学习令牌选择。一个轻量的 Decision Influence Estimator 根据当前视觉观测、语言指令和机器人本体感知为每个令牌打分。训练同时使用两种信号：动作监督要求选取的令牌能够复现完整输入策略的预测并匹配示范动作；辅助的视觉转移目标利用示范动作预测选取表示后的后续视觉特征。部署时，估计器在策略原生的动作生成前执行一次硬选择与打包，辅助预测器被移除。实验在 LIBERO 上使用 OpenVLA‑OFT、在 RoboCasa365 上使用 $\pi_{0.5}$ 与 XR‑1，显示在保持任务成功率略有下降的情况下实现了推理加速。五个真实任务的双臂平台实验中，平均策略推理时延从 137.25 ms 降至 93.25 ms，提升 $1.47\times$，成功率从 60% 提升至 61%。这些结果表明 APS‑VLA 可作为模块化插件，提升 VLA 架构的控制效率而不改变底层策略参数和动作生成流程。
点评：APS‑VLA 通过学习式令牌筛选实现了显著的推理加速，兼顾了实际机器人任务的成功率，是面向工业应用的实用方案。