ChunkAct
一种将动作分块思想引入智能体机器人规划层的方法，通过在线执行链式原语动作块、离线编译记忆模块，将 LLM 调用次数从每个原语一次降为每个决策一次，从而减少冗余推理与 token 消耗
时间轴 (近 90 天)
ChunkAct 在 LIBERO-Pro 基准上任务成功率比当前智能体机器人领域最优方法提升 5.0 个百分点
ChunkAct 在 LIBERO-Pro 上 LLM 调用次数减少 2.9 倍
ChunkAct 在 LIBERO-Pro 上输入 token 减少 4.4 倍，输出 token 减少 2.3 倍
ChunkAct 的核心方法是将动作分块引入智能体机器人，在线执行时一次 LLM 调用启动一整块链式原语，仅在失败时将控制权交还规划器
ChunkAct 在离线阶段将记忆模块编译成动作块，测试阶段无需查询记忆，计算量与决策数量挂钩而非原语数量挂钩
ChunkAct 的研究者发现 LLM 在智能体机器人中的推理有很大一部分是冗余的，因为子目标一旦选定，执行所需的原语序列按记忆模块中已规定的例行程序执行，无需每步重新推理
ChunkAct 将动作分块从底层连续控制提升到智能体规划层，分块对象是原语调用序列，分块边界由决策点而非固定时间窗口决定
在 ChunkAct 中，智能体机器人的在线执行路径因动作块离线编译而更短更确定，减少了 LLM 推理带来的不确定性传播
减少 LLM 调用通常会牺牲任务完成质量，但 ChunkAct 通过消除冗余推理使规划器更专注于真正需要判断的环节，从而同时改善成功率和效率
全部知识事实 (9)
ChunkAct 在 LIBERO-Pro 基准上任务成功率比当前智能体机器人领域最优方法提升 5.0 个百分点
50%待验证ChunkAct 在 LIBERO-Pro 上 LLM 调用次数减少 2.9 倍
50%待验证ChunkAct 在 LIBERO-Pro 上输入 token 减少 4.4 倍，输出 token 减少 2.3 倍
50%待验证ChunkAct 的核心方法是将动作分块引入智能体机器人，在线执行时一次 LLM 调用启动一整块链式原语，仅在失败时将控制权交还规划器
50%待验证ChunkAct 在离线阶段将记忆模块编译成动作块，测试阶段无需查询记忆，计算量与决策数量挂钩而非原语数量挂钩
50%待验证ChunkAct 的研究者发现 LLM 在智能体机器人中的推理有很大一部分是冗余的，因为子目标一旦选定，执行所需的原语序列按记忆模块中已规定的例行程序执行，无需每步重新推理
50%待验证ChunkAct 将动作分块从底层连续控制提升到智能体规划层，分块对象是原语调用序列，分块边界由决策点而非固定时间窗口决定
50%待验证在 ChunkAct 中，智能体机器人的在线执行路径因动作块离线编译而更短更确定，减少了 LLM 推理带来的不确定性传播
50%待验证减少 LLM 调用通常会牺牲任务完成质量，但 ChunkAct 通过消除冗余推理使规划器更专注于真正需要判断的环节，从而同时改善成功率和效率
50%