具身智能，是人工智能（AI）行业的下一个浪潮。如何有效训练 Transformers 模型来控制具身机器人，是当前亟需要解决的难题，尤其是对于更复杂、需要精确和高频控制的精巧技能，现有的视觉-语言-动作（VLA）模型几乎失效。尽管扩散或流匹配通常表现得更好，但扩散需要更长的训练时间。 那么，如何在保持灵巧性和精确性的同时，快速训练 Transformers 进行机器人控制呢？使用一个好的 toke ...