近年、視覚-言語-行動（VLA）モデルは汎用ロボット制御への有望な道筋を提供しているが、その推論レイテンシにより、生成されたアクションが非同期に実行される際に観測の陳腐化が発生する。この問題を軽減するために、いくつかの手法が同時に提案されている：推論時インペインティング（IT-RTC）、訓練時遅延シミュレーション（TT-RTC）、未来状態認識条件付け（VLASH）、軽量残差補正（A2C2）。これらの手法は根本的に異なるアプローチを取るが、これまでは異なるコードベース、基本ポリシー、プロトコルを用いて独立に評価されてきた。
Ayoub Agouzoulらによる新たな研究では、これら4つの手法を制御された条件下で系統的に比較している。研究者らは、すべての手法を統合した統一コードベースを2つ開発し、Kinetixスイート（MLPMixerポリシー）とLIBERO操作ベンチマーク（SmolVLA）でベンチマークを実施し、最大d=20制御ステップの遅延を掃引した。結果として、A2C2の1ステップあたりの残差補正がKinetixで最も効果的であり、d=8まで90%以上の解決率を維持し、LIBEROでもd=4以降でリードした。IT-RTCは低遅延で競争力があるが、長いチャンク（H=30）と高遅延で急激に劣化する。TT-RTCは最も堅牢な訓練ベースの手法であり、d_maxの選択に対して安定で、訓練遅延分布を超えて汎化し、推論オーバーヘッドがゼロである。VLASHは、微調整遅延範囲[0,d_max]によって支配される明確な低遅延対高遅延のトレードオフを示す。
この研究は、VLAモデルの非同期推論の明確な比較枠組みを提供し、実際の遅延要件に応じた適切な手法の選択に役立つ。コードはGitHubで公開されており、再現可能な研究とコミュニティの協力を促進している。