SAFE-Pruner: Semantic Attention–Guided Future-Aware Token Pruning for Efficient Vision-Language-Action Manipulation¶

会议: ECCV 2026
论文: ECCV 2026
领域: 机器人/具身智能
关键词: VLA 推理加速 / 视觉 token 剪枝 / 语义注意力一致性 / 免训练 / 机器人操作

一句话总结¶

SAFE-Pruner 发现 VLA 模型在连续操作中对「同一语义实体」的注意力在控制时间步之间高度一致（语义注意力一致性），于是用最近一个「关键帧」上逐层缓存好的注意力显著性去预测当前帧尚未算出的深层显著性，再与当前浅层显著性融合后做 top-K token 剪枝，并以浅层注意力漂移检测自适应刷新关键帧，在无需训练、不改结构的前提下取得最高 1.89× 加速、成功率下降不超过 1.5%。

研究背景与动机¶

视觉-语言-动作（VLA）模型把视觉感知、语言理解和动作生成统一进一个策略里，借助预训练视觉语言主干和大规模机器人演示数据，已经能在多样任务与环境里做端到端操作，OpenVLA、OpenVLA-OFT、CogACT、π0.5 等代表了当前主流架构。但这类模型序列里视觉 token 占了绝大部分长度，注意力开销随之水涨船高，单次前向的延迟往往难以满足闭环控制对实时性的要求——机器人手臂还在动、物体还在被遮挡，晚一步的动作就可能是无效甚至危险的。蒸馏、量化、层级剪枝这类传统加速手段能带来收益，但通常要求重新训练或改动网络结构，迁移到新主干上代价很高；相比之下，视觉 token 剪枝只需要在推理时丢掉冗余 patch，是免训练、可即插即用的路线。

现有的 VLA token 剪枝方法（FastV、SparseVLM、DivPrune、VLA-Cache、VLA-Pruner 等）大多把剪枝决策建立浅层信号上：用浅层交叉注意力权重或 token 相似度打分，选出 top-K 视觉 token，其余的直接丢弃。问题在于这个丢弃是不可逆的——被删掉的 token 在后续所有层里都不再存在。而 VLA 的注意力恰恰是「由粗到细」的：浅层注意力分散而宽泛，深层才收敛到真正关键的区域。论文在 OpenVLA-OFT 上量化了这一点：当剪枝率超过 70% 时，仅用浅层显著性做剪枝会误删其他层「核心 token」（各层重要性前 10% 的 token）的概率急剧上升（0–50% 是稳定区、50–70% 是过渡区、70–90% 是损失激增区）。也就是说，剪枝决策做在最没有把握的时刻，却要对整条深层推理链负责。近期一些工作（SpecPrune-VLA、动作感知动态剪枝）试图估计后段显著性来补救，但它们是在已经被剪过的 token 子集上做估计，真正关键的那些 token 早在浅层就被永久删除了，估计本身先天失真。

这就构成了本文要解决的核心矛盾：要避免误删，剪枝时就必须知道深层会关注哪些 token；但剪枝恰恰发生在深层还没算的浅层。SAFE-Pruner 的破局点来自一个关于 VLA 注意力时间演化的观察——语义注意力一致性：在执行同一任务的相邻控制时间步之间，尤其在收敛度更高的深层，模型注意力总是集中在携带相同语义信息的 patch 上（比如要被抓取的目标物体），即便这些 patch 的空间位置已经大幅移动（夹爪从中间移到右边抓汤罐、再移到左边放下，注意力始终锚在夹爪/物体附近而不是某个固定坐标）。既然注意力跟着语义走而不是跟着像素走，那么历史帧上算好的深层显著性，就可以当作当前帧深层显著性的「预报」。核心 idea：把「当前帧深层注意力不可知」这个困难，转化为「用历史关键帧的逐层显著性做跨帧语义迁移」的可解问题——以最近关键帧为参考，按语义最近邻建立 token 对应关系迁移深层显著性分数，与浅层分数融合后再剪枝，并用浅层注意力的余弦漂移触发关键帧刷新，从而在剪枝的同一刻同时看到「当下」和「未来」。

方法详解¶

整体框架¶

SAFE-Pruner 是一个包在 VLA 现有前向流程上的免训练剪枝外壳：输入是文本指令与一串连续观测帧，输出仍是每个控制时间步的动作。它在每次前向的浅层 \(\ell_s\) 处介入，决定这一帧保留哪些视觉 token 继续走完剩下的 Transformer 层。整体由三件事串成：先用「关键帧」把历史信息变成可用的显著性先验，再把先验与当前帧的浅层证据融合成一个剪枝分数，最后用注意力漂移检测决定什么时候必须重新建立先验。

具体到单个控制时间步 \(t\)：首先照常算出浅层注意力显著性 \(\mathcal{S}^{\ell_s}_t\)（这是唯一不需要额外开销就能拿到的信号）；接着从最近的关键帧 \(\tau_{\mathrm{ref}}\) 缓存里，按语义最近邻把每一层的显著性迁移到当前帧，并在深层集合 \(\mathcal{L}_d\) 上取平均，得到预测的深层显著性；然后比较当前浅层显著性与迁移来的浅层显著性，若余弦相似度低于阈值 \(\gamma\)，说明注意力已经漂移、旧先验不可信，就把 \(t\) 判为关键帧——此时不做剪枝，直接全 token 前向，同时把每一层的真实显著性写回缓存；否则 \(t\) 是普通帧，按融合分数取 top-K 个视觉 token，只带着这 \(K\) 个 token 跑完后续层并输出动作。关键帧是整套机制的「锚点」：它付出了完整前向的代价，换来一份跨层、未被剪枝污染的显著性真值，供之后若干普通帧反复借用。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["指令 + 当前观测帧<br/>多模态 token 序列"] --> B["未来感知的显著性预测<br/>迁移参考帧的逐层显著性"]
    B --> C["双阶段显著性分数融合<br/>浅层 + 预测深层"]
    C --> D["自适应关键时间步刷新<br/>相似度低于阈值则触发"]
    D -->|关键帧| E["跳过剪枝<br/>全 token 推理并更新缓存"]
    D -->|非关键帧| F["保留 top-K token<br/>剪枝后继续推理"]
    E --> G["输出动作"]
    F --> G
    E -.->|刷新参考关键帧 τ_ref| B

图中「未来感知的显著性预测 → 双阶段显著性分数融合 → 自适应关键时间步刷新」的顺序，对应下面三个关键设计，也是单个时间步内决策的实际先后。

关键设计¶

1. 未来感知的显著性预测：把历史关键帧的逐层显著性按语义对应关系迁移到当前帧，补上剪枝时刻看不到的深层信息

剪枝不可逆，而深层显著性在浅层无法直接计算，所以必须找一个已经算过深层、且未被剪枝污染的来源。本文的做法是把时间步分成两类：关键帧 \(\mathcal{T}_{\mathrm{key}}\) 上完全不做剪枝，跑完整前向，并把每一层的视觉 token 显著性向量 \(\{\mathcal{S}^{\ell}_{\tau}, \ell = 0, \ldots, L-1\}\) 全部缓存下来；普通帧 \(t\) 则取「早于 \(t\) 的最近一个关键帧」作为参考，即 \(\tau_{\mathrm{ref}} = \max\{\tau \in \mathcal{T}_{\mathrm{key}} : \tau < t\}\)。由于参考帧和当前帧的 token 在数量与排列上未必一一对应（视野在动、物体在被遮挡），不能直接整体拷贝分数，而是先为当前帧的每个视觉 token 在参考帧里找语义最近的那个 token——用隐状态的余弦距离作为语义接近程度的度量——建立跨帧的 token 对应关系，再把参考帧上该 token 的各层显著性分数搬运过来，得到 \(\{\hat{\mathcal{S}}^{\ell}_t\}\)。要预测的是深层，所以只看一组较深的层 \(\mathcal{L}_d\)（例如最后若干层），对它们逐层平均：

\[ \hat{\mathcal{S}}^{\mathcal{L}_d}_t = \frac{1}{|\mathcal{L}_d|}\sum_{\ell \in \mathcal{L}_d} \hat{\mathcal{S}}^{\ell}_t \in \mathbb{R}^{L_{\mathrm{vis}}} \]

这样做之所以成立，正是因为前文观察到的语义注意力一致性：注意力锚定的是「是什么」而不是「在哪里」，所以夹爪位置大幅移动后，当前帧握爪附近的 patch 仍然与参考帧的握爪 patch 语义最接近，迁移过来的显著性依然指向正确的目标；反过来说，如果模型注意力真的跟着空间坐标走，这套对应关系立刻失效——这也是本文把「语义一致性」当作立论基石而非经验技巧的原因。与 SpecPrune-VLA 一类同样估计后段显著性的工作相比，关键差别在于先验的来源是全 token 的关键帧，而不是已经被剪掉一部分的残缺子集，因此不会把早期剪枝的错误一路放大。

（式中符号按原文重排，⚠️ 以原文为准。）

2. 双阶段显著性分数融合：让「当下直接测得但短视」的浅层分数与「前瞻但间接」的深层预测分数共同决定保留谁

迁移来的深层分数虽然看得到未来，但毕竟是从另一帧搬过来的二手信息，一旦对应关系建立得不完美或者参考帧已经略有过时，就会引入噪声；当前帧的浅层显著性则相反——它是当场算出来的，对浅层而言完全准确，但它本身就是那个导致误删的短视信号。两者单独用都偏，本文用一个标量把它们线性组合成最终的 token 重要性分数：

\[ \mathfrak{s}_t = (1-\lambda)\,\mathcal{S}^{\ell_s}_t + \lambda\,\hat{\mathcal{S}}^{\mathcal{L}_d}_t \]

其中 \(\lambda\) 控制前瞻的权重：\(\lambda \to 0\) 时退化为纯粹的浅层剪枝（即 FastV/VLA-Pruner 那一类做法），\(\lambda \to 1\) 时则完全听信跨帧先验。按 \(\mathfrak{s}_t\) 取 top-K 个视觉 token 保留，其余剪掉，后续层只在这 \(K\) 个 token 上计算。这个融合只发生在分数层面而非特征或 token 层面：被保留下来的仍然全部是当前帧自己的 token，参考帧不向当前帧注入任何视觉内容，因此不会破坏动作回归所依赖的空间布局；同时它也不引入任何额外的前向开销，只是把两组已经算好的标量加一次权。

（\(\mathfrak{s}_t\) 的记号与 \(\lambda\) 的取值区间按原文重排，⚠️ 以原文为准。）

3. 自适应关键时间步刷新：用浅层注意力的余弦漂移检测，在子任务切换时及时把过期的参考帧换掉

关键帧集合 \(\mathcal{T}_{\mathrm{key}}\) 的质量直接决定预报的质量。最朴素的做法是固定间隔采样关键帧，但语义注意力一致性并非无条件成立：论文在可视化中看到，从「拿起」切到「放置」这类子任务边界上，注意力会突然从被操作物体转向目标容器（图中第 12 帧还在物体上，第 13 帧明显偏向篮子），此时旧先验已经讲的是另一个子任务的故事；而固定间隔既可能正好错过这个切换点，又会在平稳段白白浪费多次全 token 前向。本文的判断依据是：先验是否有效，与两个时间步是否属于同一子任务的相关性，远高于与它们时间距离的相关性，而子任务是否切换可以从注意力分布本身读出来。于是用一个极廉价的代理信号来做检测——把当前帧的浅层显著性向量 \(\mathcal{S}^{\ell_s}_t\) 与从参考帧迁移来的同层显著性 \(\hat{\mathcal{S}}^{\ell_s}_t\) 求余弦相似度：

\[ \kappa_t = \frac{\left\langle \mathcal{S}^{\ell_s}_t,\ \hat{\mathcal{S}}^{\ell_s}_t \right\rangle}{\left\|\mathcal{S}^{\ell_s}_t\right\|_2 \left\|\hat{\mathcal{S}}^{\ell_s}_t\right\|_2} \]

当 \(\kappa_t < \gamma\) 时判定发生注意力漂移，令 \(t \in \mathcal{T}_{\mathrm{key}}\)：这一步不剪枝、跑全 token 前向输出动作，并把所有层的真实显著性覆盖写入缓存，使 \(\tau_{\mathrm{ref}}\) 前进到当前帧；否则沿用原参考帧继续预报与剪枝。相比固定间隔策略，这种「按需刷新」既避开了子任务边界处的错误传播（消融中成功率从 95.8% 提到 96.4%），又因为平稳段不再强制触发全 token 前向而减少了关键帧数量（FLOPs 从 2.236 T 降到 1.722 T、延迟从 51.98 ms 降到 37.22 ms）——这是本文「精度与效率同向改善」而非此消彼长的关键一步。需要说明的是，\(\kappa_t\) 检测的是「当前注意力与历史先验发生偏离」这一事实，而非偏离的原因：预报本身出错时的表现与真实注意力漂移完全一样，两者都会被判为漂移并触发刷新——从安全角度看这是偏保守的，但也意味着频繁刷新会稀释加速收益。

一个完整示例¶

以论文可视化的那次「拿杯子再放到左侧」的长程操作为例（对应原文图中第 0/7/12/13/15 帧），走一遍决策流程：

第 0 帧没有任何历史先验，被当作关键帧处理：不剪枝、全 token 前向，并把这一帧每一层的视觉 token 显著性向量写进缓存，此后 \(\tau_{\mathrm{ref}} = 0\)。第 1–12 帧是普通帧：对当前帧的每个视觉 token，在第 0 帧里按隐状态余弦距离找语义最近的 token，把它各层的显著性搬过来、在深层集合上取平均，再与当前帧自己算出的浅层显著性按 \(\lambda\) 融合，取 top-K 后只带着这些 token 跑完剩余层。这段时间里夹爪先从中间移到右侧抓取、再往左移动，空间位置变化很大，但注意力始终锚在夹爪与物体上，\(\kappa_t\) 一直高于 \(\gamma\)，因此参考帧始终是第 0 帧、不需要刷新。

到第 13 帧情况变了：子任务从「拿起」切换到「放置」，模型的注意力重心从物体转向篮子，当前浅层注意力与从第 0 帧迁移来的先验明显不再一致，\(\kappa_{13} < \gamma\) 触发刷新——第 13 帧被判为关键帧，跳过剪枝、跑一次完整前向，输出这一帧的动作，同时把缓存整体更新为第 13 帧的逐层显著性，\(\tau_{\mathrm{ref}} \leftarrow 13\)。第 14、15 帧于是以第 13 帧为参考继续做普通帧剪枝。整个过程中，只有第 0 帧和第 13 帧付出了全 token 的计算代价，其余帧都在剪枝状态下运行，而每一次剪枝的依据里都同时含有「当前浅层看到什么」和「深层接下来会关注什么」。

（以上帧号与场景取自原文图 3 的可视化；各步的具体数值为流程说明。）

损失函数 / 训练策略¶

SAFE-Pruner 是免训练的：它不引入任何可学习参数、不定义损失函数、不修改网络结构，只在推理时读取注意力权重并在浅层截断 token 集合，因此可以直接套到任意已有 VLA 主干上（论文在 OpenVLA、OpenVLA-OFT、CogACT、π0.5 四种架构上直接生效），也能与量化这类正交的加速手段叠加（与 HiF8 量化同用时 FLOPs 降 56.4%、显存降 38.1%，成功率基本不变）。

需要设定的量只有四个：融合权重 \(\lambda\)、漂移阈值 \(\gamma\)、用于平均的深层集合 \(\mathcal{L}_d\)、以及每帧保留的 token 数 \(K\)（等价于剪枝率）。论文正文没有给出这四个量的具体取值，也没有报告 \(\lambda\)、\(\gamma\) 的敏感度曲线（⚠️ 以原文正文/附录为准）。唯一必需的经验设置是：关键帧要付出一次完整前向的代价，因此论文报告的延迟是在所有控制时间步上取平均、并已计入本文引入的全部额外开销之后的结果，这样比较才与基线公平。

实验关键数据¶

主实验¶

实验覆盖 4 个 VLA 主干（OpenVLA、OpenVLA-OFT、CogACT、π0.5），对比基线包括通用 VLM 加速方法 FastV、SparseVLM、DivPrune，以及 VLA 专用效率方法 VLA-Cache、VLA-Pruner，全部在同一实验设置下做过超参调优。LIBERO 上共 4 个套件 × 10 个任务 × 50 条轨迹 = 2000 个 episode，延迟在 RTX 4090 上测得（指 VLM 主干的单步推理延迟）。为控制篇幅，下表只列每个主干的 vanilla、最强加速基线与本文方法：

模型	方法	Spatial	Object	Goal	Long	平均成功率(%)	FLOPs(T)	延迟(ms)
OpenVLA	Vanilla	84.6	86.6	78.2	53.2	75.7	1.862	48.24
OpenVLA	VLA-Pruner	82.0	84.4	77.8	52.6	74.2	0.793	36.47
OpenVLA	Ours	82.2	84.8	77.6	52.0	74.2	0.742	32.18
OpenVLA-OFT	Vanilla	98.4	98.2	96.4	94.2	96.8	3.970	70.25
OpenVLA-OFT	VLA-Pruner	97.4	93.0	94.0	92.0	94.1	2.234	54.53
OpenVLA-OFT	Ours	98.0	98.0	96.2	93.4	96.4	1.722	37.22
π0.5	Vanilla	98.2	98.0	98.0	91.8	96.5	2.115	35.28
π0.5	VLA-Pruner	95.8	97.2	95.6	88.0	94.2	1.583	32.64
π0.5	Ours	97.0	98.8	96.0	90.2	95.5	1.482	24.33

OpenVLA-OFT 上的收益最直观：FLOPs 从 3.970 T 降到 1.722 T（降 56.6%）、主干延迟从 70.25 ms 降到 37.22 ms（1.89× 加速），而平均成功率只从 96.8% 降到 96.4%，比所有加速基线里最好的 94.1%（VLA-Pruner）高出 1.9 个百分点。SIMPLER 上以 CogACT 为基座：Visual Matching 设置下平均成功率 74.5%（vanilla 74.8%），FLOPs 只剩基线的 37.4%，加速 1.73×，明显优于 FastV 的 1.21× 与 VLA-Cache 的 1.38×；Variant Aggregation 下平均成功率 61.9%（vanilla 61.3%），FLOPs 保留 36.2%，加速 1.67×。值得注意的是，加速后的模型在个别设置上反而略高于未剪枝基线，作者沿用了 VLA-Cache 的解释——剪掉与任务无关的 token 让模型更集中在有用信息上。

真机实验在 Astribot S1 双臂平台上进行，固定底盘与躯干、只控制 14 自由度的双臂与夹爪，视觉来自两个腕部相机与一个跟随工作区中心的头部相机，用 200–1000 条 VR 遥操作演示微调任务专用的 π0.5 模型，每个模型评测 200 次，VLM 主干延迟在 RTX 3090 上测量：

方法	Pick and Place	Throw Basketball	Pack Doll	平均	FLOPs(T)	延迟(ms)
π0.5	94%	77%	73%	81.3%	2.264	80.36
+ FastV	82%	69%	56%	69.0%	1.857	56.93
+ Ours	90%	81%	67%	79.3%	1.543	43.56

真机上的结论比仿真更有说服力：本文方法在 FLOPs（1.543 T vs 1.857 T）和延迟（43.56 ms vs 56.93 ms）都低于 FastV 的前提下，平均成功率高出 10.3 个百分点（79.3% vs 69.0%），且只比未加速的 π0.5 低 2.0 个百分点。差距最大的 Throw Basketball（81% vs FastV 69%）需要精确抓取小物体，正是对视觉细节最敏感、浅层显著性最容易误删关键 patch 的场景；长程多阶段的 Pack Doll 也从 56% 提升到 67%。

消融实验¶

在 OpenVLA-OFT + LIBERO 上做四组对照：vanilla；只用浅层注意力剪枝、不做未来预测（w/o forecast）；做了未来层预测但关键帧固定间隔选取（w/o adaptivity）；完整方法。

配置	平均成功率(%)	FLOPs(T)	延迟(ms)	说明
Vanilla	96.8	3.970	70.25	未加速
w/o forecast	94.5	2.141	50.31	去掉未来显著性预测，退化为浅层剪枝，掉 2.3 个点
w/o adaptivity	95.8	2.236	51.98	保留预测但改用固定间隔关键帧，成功率回升 1.3 点，代价是 FLOPs 反比 w/o forecast 更高
Ours	96.4	1.722	37.22	自适应关键帧同时拿到最高成功率和最低开销

关键发现¶

未来预测是精度收益的主要来源，自适应关键帧是效率收益的主要来源。 去掉预测（w/o forecast）成功率掉到 94.5%，其数值与主表中 FastV 的 94.5%、2.141 T 几乎完全一致，说明「不做预测的本文方法」确实退化成了浅层剪枝基线；补上预测后成功率回到 95.8%，但因为关键帧按固定间隔触发，FLOPs 反而比 w/o forecast 高（2.236 T vs 2.141 T）——固定间隔既浪费全 token 前向又躲不开子任务边界。加上自适应刷新后两者同时改善。
加速比与主干架构强相关。 同一套方法在 OpenVLA 上只把 FLOPs 从 1.862 T 压到 0.742 T 却几乎不损失成功率（75.7% → 74.2%，与 VLA-Pruner 持平但更便宜），在 OpenVLA-OFT 上则同时拿到更高的绝对成功率（96.4%，比最好基线高 1.9 个点）；而 OpenVLA 这类逐步解码模型的绝对成功率高点本就低（vanilla 75.7%），剪枝的可操作空间与感知敏感度与其他模型不同，横向比较时不宜只看「加速倍数」。
与量化正交可叠加。 在 OpenVLA-OFT 上把本文方法与 HiF8 量化同用，相对 vanilla 的 FLOPs 降 56.4%、显存从 17.83 GB 降到 11.03 GB（降 38.1%），成功率 96.6% 与 vanilla 的 96.8% 基本持平；而单独使用本文方法时显存甚至略升（18.31 GB），说明剪枝省的是计算而不是显存，两者互补。
在真机上，浅层剪枝的失效被放大。 仿真里 FastV 与本文方法的差距在 1–3 个点量级，真机上扩大到 10.3 个点，且集中在需要精细视觉的场景（小球抓取的 Throw Basketball）。这提示模拟器对视觉细节的敏感度不足，真机验证对这类剪枝方法不是可选项。

亮点与洞察¶

把「不可知的未来」换成「可迁移的过去」是这篇论文最漂亮的一步。 剪枝发生在浅层、却要为深层负责，这个时序错位本质无解；作者没有去加辅助头预测显著性（那需要训练），而是用「同一任务的相邻帧注意力锚在同一语义实体上」这一观察，把问题转成跨帧的分数搬运，让整套方法保持零训练成本。
用「关键帧 + 按需刷新」替代「固定间隔」的思路可以迁移。 凡是需要历史先验的在线决策（KV cache 淘汰策略、长视频 VLM 的 token 预算分配、动作分块的时间集成），都可以套用同一个模式：用当前可得的廉价信号与先验做相似度比对，偏离到一定程度才付出昂贵代价重建。它把「先验多久过期」从时间问题换成了状态问题。
分数层面融合而非特征层面融合是个克制的设计。 迁移只在标量上发生，当前帧的 token 及其空间位置原封不动，所以不会给动作回归引入参考帧的视觉内容——对空间布局敏感的 VLA 任务来说，这个边界划得很必要。
免训练 + 正交可叠加意味着工程价值高。 不改结构、不重训，还能和量化叠加（FLOPs −56.4%、显存 −38.1%），对已有 VLA 部署管线来说接入成本极低，这比单纯的加速比数字更实用。

局限与展望¶

超参与敏感度分析在正文缺失。 \(\lambda\)、\(\gamma\)、深层集合 \(\mathcal{L}_d\) 与保留 token 数 \(K\) 的具体取值论文正文未给出，也没有 \(\lambda\) / \(\gamma\) 的扫描曲线，读者难以判断方法对这几个量的鲁棒性；不同的主干可能各需要一套取值，这会削弱「即插即用」的实际便利。
漂移检测只判断「变了」，不判断「为什么变」，也不判断「变得对不对」。 \(\kappa_t\) 比较的是当前浅层注意力与迁移来的同层注意力，因此预报本身出错和真实注意力漂移在数值上不可区分：前者会导致不必要的刷新（白付全 token 的代价），后者如果恰好被错误的预报「对上」则会漏检。论文没有报告关键帧的实际触发频率，也没有分析其随任务长度、子任务数量的变化，无从判断最坏情况（频繁切换的任务）下加速比会退化到什么程度。
对比基线在真机上不完整。 真机只对比了 FastV 与 vanilla，缺少 VLA-Cache、VLA-Pruner 等更强的 VLA 专用基线；且只有 3 个任务、每个任务 200 次试验、单一机器人平台，统计上的置信区间较宽（例如 Pack Doll 上 67% vs 56% 的差距是否稳定，正文未给方差）。
跨帧 token 对应依赖余弦最近邻，对遮挡与视野变化脆弱。 本文用隐状态余弦距离建立对应关系，隐含假设「语义相近的 token 在不同帧中都能被看见」。当目标被机械臂遮挡、移出视野或发生大视角变化时，最近邻很可能匹配到错误的 patch，而论文没有针对这一失效模式的实验或量化。一个自然的改进是用注意力加权的软匹配或最优传输替代硬最近邻，并让匹配置信度反过来调节 \(\lambda\)。
保留率是固定的，但每帧真正需要的信息量并不相同。 平稳段或许可以用更激进的剪枝率，子任务切换前后则应保守。既然 \(\kappa_t\) 已经刻画了「当前帧与先验的一致程度」，完全可以把它当作动态保留率的控制器，而不是只用来触发二值的刷新。

评分¶

新颖性: ⭐⭐⭐⭐ 「语义注意力一致性」这一可观测规律 + 用历史关键帧逐层显著性做跨帧迁移的组合是清晰的新切入点，但 top-K 剪枝、关键帧缓存、余弦漂移检测这些零件本身都是已有积木。
实验充分度: ⭐⭐⭐⭐⭐ 4 个 VLA 主干 + LIBERO/SIMPLER 两个仿真基准 + Astribot S1 真机三类任务，还额外验证了与量化的正交性，覆盖面在同类工作中少见。
写作质量: ⭐⭐⭐⭐ 观察 → 机制 → 设计的论证链条清楚，失败案例（子任务切换）也被正面用作设计动机；但关键超参取值与敏感度分析在正文缺失，部分公式在缓存中受损需回原文核对。
价值: ⭐⭐⭐⭐ 免训练、即插即用、可与量化叠加，对实时 VLA 部署有直接工程价值；扣分主要在真机对比基线不全、跨帧匹配的失效模式未被检验。