近年來，視覺-語言-動作（VLA）模型為通用機器人控制提供了有希望的途徑，但其推理延遲會導致觀測陳舊問題。當生成的動作被非同步執行時，延遲使得觀測過時，影響效能。為緩解這一問題，研究人員提出了多種方法，包括推理時補全（Inference-Time Inpainting, IT-RTC）、訓練時延遲模擬（Training-Time Delay Simulation, TT-RTC）、未來狀態感知條件（Future-State-Aware Conditioning, VLASH）和輕量殘差校正（Lightweight Residual Correction, A2C2）。這些方法各有不同的理論基礎，但此前在不同程式碼庫、基礎策略和協議下獨立評估，缺乏統一比較。
來自Ayoub Agouzoul等學者的新論文對此進行了系統研究。研究者開發了兩個統一的程式碼庫，整合了所有方法，並統一了庫和資料集版本。他們在Kinetix套件上使用MLPMixer策略，在LIBERO操作基準上使用SmolVLA模型進行基準測試，掃描推理延遲高達20個控制步（d=20）。實驗結果表明，A2C2的每步殘差校正是最有效的方法：在Kinetix上，延遲d=8時解決率仍保持在90%以上；在LIBERO上，從d=4起A2C2表現最佳。IT-RTC在低延遲時具有競爭力，但在長塊（H=30）和高延遲下效能急劇下降。TT-RTC是最穩健的基於訓練的方法：它在不同的最大延遲d_max選擇下保持穩定，能泛化到訓練延遲分佈之外，並且推理開銷為零。VLASH則表現出明顯的低延遲與高延遲權衡，由微調延遲範圍[0,d_max]決定。
該研究為VLA模型的非同步推理提供了清晰的對比框架，有助於研究人員根據實際延遲需求選擇合適的方法。所有程式碼已在GitHub上開源，以促進可重複研究和社群協作。