让机器人听懂“把胶带放进杯子”，通常不只要认出物体，还要及时算出连续动作；如果每算一步都停下来等，机械臂就会走走停停。vla.simd瞄准的正是没有独立GPU的设备：它利用SIMD——CPU用一条指令同时处理多组数字的能力——并针对不同处理器优化微内核，也就是反复执行小块矩阵运算的底层短程序。
更关键的一步是“动作分块”：模型一次给出接下来一小段动作，机器人执行当前一段时，CPU并行计算下一段，用动作库存遮住推理延迟。作者还设计了语言条件策略IMPACT，把文字指令的中间表示缓存起来；在SO-101配置中，语言条件只占每次查询约2.6%的计算量。据论文自述，经过90秒热机后，IMPACT在Raspberry Pi 5上以fp32精度可持续提供每秒33.5个动作，int8量化后为81.2个，也是受测语言条件策略中唯一达到每秒30个动作的模型。这个结果说明，端侧机器人未必非要配独立GPU；不过计时未包含相机采集和数据传输，连续供给动作也不等于实际任务一定成功。