让机器人接住递来的物体，最怕的不是它不会，而是它想得太久：等大模型算完动作，物体早已换了位置，像司机照着几秒前的路况打方向盘。这项工作瞄准的正是这种时间差。VLA（Vision-Language-Action，把画面和文字指令直接变成机器人动作的大模型）能力强，但推理较慢；若强化学习——让模型根据交互结果获得奖励并继续调整——仍基于过时画面，训练出的策略很难可靠落地。
Real-Time EXPO-FT 的关键做法是“慢规划、快纠偏”：大型 VLA 提前生成一段候选动作，轻量编辑策略则根据执行当下的最新画面，迅速修改尚未完成的动作，并选择预期回报最高的方案。作者报告，在 Kinetix 模拟基准的 10 个环境中，带延迟的策略均取得最佳表现；在递物、平衡球、桌上足球射门和动态抓取四项真实任务上，在线机器人数据限制为 10 分钟时，平均表现由 42% 提升至 97%，训练期间无需人工干预。这些数字来自论文作者的实验，核心意义不只是“跑得更快”，而是让强化学习真正针对现实中的计算延迟来训练。