(Frequency-space Action Sequence Tokenization) 是由 Physical Intelligence 团队提出的一种针对 VLA（视觉-语言-动作）模型的新型分词方案。在传统的自回归 VLA 模型（如 OpenVLA 或 RT-2）中，通常使用**简单分箱（Naive Binning）**方案：将每个维度的连续值直接离散化为 256 个桶。，解决了自回归模

(Frequency-space Action Sequence Tokenization) 是由 Physical Intelligence 团队提出的一种针对 VLA（视觉-语言-动作）模型的新型分词方案。在传统的自回归 VLA 模型（如 OpenVLA 或 RT-2）中，通常使用**简单分箱（Naive Binning）**方案：将每个维度的连续值直接离散化为 256 个桶。，解决了自回归模

(Frequency-space Action Sequence Tokenization) 是由 Physical Intelligence 团队提出的一种针对 VLA（视觉-语言-动作）模型的新型分词方案。在传统的自回归 VLA 模型（如 OpenVLA 或 RT-2）中，通常使用**简单分箱（Naive Binning）**方案：将每个维度的连续值直接离散化为 256 个桶。，解决了自回归模

输入： 机器人拍下当前的几张照片，加上关节角度 qt，再加上人类说的一句“把桌子清理干净”。编码： 图像变 Patch，文字变 Embedding，动作初值是一堆噪声。计算： VLM 部分理解场景，动作专家部分结合场景特征，通过流匹配计算出接下来 50 步的“推力方向”。积分： 经过 10 次迭代，动作序列从噪声变成了平滑的轨迹。执行： 机器人快速执行这组动作，并在 0.5 秒后再次循环整个过程（