FAST论文里有一组很醒目的数字：双臂叠衣任务中，同样一秒的动作，逐点量化要700个token，FAST约为53个。
这件事有意思的地方，不只是长度缩短了。机器人动作本来是连续的，为什么要先拆成这么多离散符号？压得更短，细微动作会不会丢？名字叫FAST，机器人是不是也能反应得更快？
三个问题的答案并不相同。下面先算700是怎么来的，再用一条50点曲线拆开DCT、量化和BPE，最后回到论文里的训练与推理结果。
论文依据：FAST，arXiv:2501.09747v1。表格成绩来自论文，曲线与符号合并是本文的离线演示。
1. 700个token，怎么数出来的
视觉-语言-动作模型，也就是VLA，根据图像、语言指令和机器人状态生成动作。动作可以是关节目标，也可以是末端位姿变化、夹爪状态等，不必都写成关节角度。
若沿用语言模型逐个预测token的方式，就要先把连续动作变成离散符号。一种直接做法是把每个维度划成256档：某个数落在哪个格子，就用对应编号表示。每个时间步、每个动作维度都这样处理，再将编号连接起来。
以一秒为一个动作块，7维、每秒5步需要35个token；14维、每秒50步的双臂动作则需要700个。维度和频率一起增长，很快就把一个短动作变成了长序列。要判断采样变密本身的影响，还需要把其他条件固定下来。
论文因此做了一个更干净的合成实验：保持三次样条曲线的复杂度，只改变每条序列的采样点数，从25增加到800，让自回归Transformer学习。结果显示，逐点量化方案的预测误差随采样变密而增大，模型容易退化为复制前一个token。
采样越密，相邻两项越容易相同或接近。对模型来说，复制上一项就能猜中不少位置，这是一条很省事的学习路径。可轨迹终究要转向、停下或者改变幅度，一路复制，整段动作的形状就会走偏。
论文在所测20 Hz、50 Hz灵巧操作任务上也观察到朴素量化方案失败。这提示了一个比继续加大模型更靠前的问题：我们交给它的学习目标，是不是被大量相邻重复值占满了？FAST先改这一层。
2. DCT做的事，先用一条曲线看
FAST选择了离散余弦变换，简称DCT。JPEG图像压缩也使用这种工具，但这里处理的是动作随时间的变化。
DCT可以理解为换一种写法：原来逐个记录50个采样值，现在用一组不同频率的余弦形状描述同一条曲线。平缓的整体变化往往主要体现在低频系数里，细小、快速的变化出现在更高频的系数里。
完整DCT做完，50个采样点仍是50个系数。数量没少，数值的分布变了：平滑曲线往往只需要几个较大的低频系数，其余很多项接近零。保留全部系数，就能逆变换回原曲线；要压缩，还得继续处理这些小数。
为了看清这一步，我构造了一条50点的平滑上升曲线，再加上一点小幅起伏。它已处于归一化动作尺度，没有对应某台机器人的关节。演示采用正交归一DCT-II，然后把每个系数乘以缩放因子γ，取整，再除以γ进行逆变换。
图 1：本地合成演示。上图比较原始曲线与γ=10时的重建，下图显示50个DCT系数的幅值，红点是取整后仍非零的4项。这里没有运行BPE，也没有训练策略模型。
三组缩放因子的实际计算结果如下：
| γ | 量化后非零系数 | 重建RMSE | 最大绝对误差 |
|---|---|---|---|
| 5 | 2 / 50 | 0.02210 | 0.04903 |
| 10 | 4 / 50 | 0.01370 | 0.03306 |
| 40 | 9 / 50 | 0.00264 | 0.00603 |
误差单位是合成数据的归一化动作单位，不是角度、毫米或真机控制误差。
沿着表格往下看，γ从5调到40，非零项从2个增加到9个，最大误差从约0.049降到0.006。多留下几个系数，曲线上的细微起伏也就多保留一些。γ=10在两者中间，也恰好是论文单数据集实验的默认值。
因此γ不能单看压缩效果来选。对于这条平滑曲线，少掉一点起伏很好理解；换到抓取接触附近，同样大小的误差是否能接受，就得回到动作的实际单位和任务要求。
不过，表里的"4个非零系数"还不能读成"4个token"。50个位置都在，零值也占位置，非零项还要记录具体数值。接下来才轮到BPE把这串整数收短。
3. 六个零，为什么最后只占两个符号
把这一步放回完整流程，DCT之前还有归一化：FAST按每个动作维度的第1和第99百分位缩放，将两个分位点分别映射到−1和1。不同单位、不同范围的动作因此进入较统一的数值表示，分位点之外的值仍可能超出这个区间。
接下来是刚才演示的DCT和取整。论文把每个维度分别变换，再将量化系数展平成一条整数序列。
展平的顺序也有讲究。设想只有两个动作维度，每个维度有低、中、高三项系数。可以先写完第一个维度再写第二个，也可以先写两个维度的低频项，再写它们的中频、高频项。FAST选后者，即频率优先的排列。这样自回归模型先生成描述各维度总体形状的部分，再补更细的变化。论文报告，这样得到的策略执行更稳定。
最后轮到BPE，即字节对编码。可以把它理解为一个在符号序列上学习常见组合的词表：经常相邻出现的符号组合，可以用一个新符号表示。动作系数里有重复零值，也有跨维度反复出现的组合，BPE可以利用这些规律缩短序列。
用一串很小的整数就能看清这个过程。假设词表已有两条合并规则：两个相邻的0写成Z，两个相邻的Z再写成W。从左往右合并：
text
原序列： 4 0 0 0 0 0 0 -2 8个符号
合并00： 4 Z Z Z -2 5个符号
合并ZZ： 4 W Z -2 4个符号W展开为四个0，Z展开为两个0，八项就完整回来了。原序列只有两个非零整数，最后却是四个符号，这正是前面不能把"非零项"当成"token数"的原因。
这两次合并没有再改动任何整数。精度损失发生在前面的取整，BPE只换了写法。它能利用连续的零，也能利用数据里反复出现的其他相邻组合。
这是手动给定两条规则的BPE合并演示，输入独立于上面的50点曲线。实际词表需要从数据学习；此处未运行官方FAST tokenizer。本地演示执行了这两次合并，展开后与原序列一致。
图 2：依据论文Algorithm 1与Figure 4重绘。编码从连续动作走向token，解码逆向返回连续动作；量化使最终还原成为近似还原。
如果做到DCT和量化就停下，模型仍要逐个预测那些零，长序列还在。论文附录去掉BPE后，表现低于完整方案，和这个过程能对上：先把信息集中，再把重复表达合并，两步都要做。
4. 从小例子回到700和53
论文用四个数据集比较了相同一秒动作块的token数量。下面重绘原表，便于看到逐点量化与FAST的差别。
图 3：FAST v1 Table I数据重绘。各数据集任务、维度与频率不同，不能把横向变化当作只改变频率的受控实验。
BridgeV2从35个token降到20个，约压缩1.75倍；DROID从105降到29，约3.6倍；Table Bussing从140降到28，为5倍；T-Shirt Folding从700降到53，约13.2倍。
最直观的变化发生在双臂叠衣任务：原本要逐个生成700个token，现在约为53个。这让自回归模型少处理了大量相邻冗余。模型需要学习的仍是同一段动作，只是目标序列不再被逐点描述拉得那么长。
这比单纯降低采样率更有吸引力。平缓的部分可以压得短，动作复杂、精度要求高的部分则保留更多符号。序列长度开始取决于需要留下多少变化，未必跟着采样点数一同增长。
作者还训练了通用tokenizer FAST+，使用约100万个一秒长的真实机器人动作片段构造通用BPE词表。不同机体和动作空间因而有机会复用同一套编码工具，减少每个数据集重新训练词表的工作。它服务于策略的动作表示，图像、指令与动作之间的关系仍由策略模型学习。
5. 名字叫FAST，推理却用了750毫秒
看到700降到53，很容易顺手推一句"机器人反应也快了"。论文后面的耗时数据，却需要分开读。
论文把FAST接入π₀体系形成π₀-FAST，在包含10000小时数据的大规模跨机型训练中，以约五分之一的GPU小时达到与对照π₀相近的策略性能。这个比较衡量的是达到相近表现所需的训练资源。
推理时却有不同的成本结构。在论文的NVIDIA 4090设置上，π₀-FAST每个一秒动作块约需750毫秒；扩散式π₀通常在100毫秒以内。前者仍需用完整的2B语言模型骨干自回归生成约30---60个token，后者用300M动作专家进行10步迭代。两条路线的模型构成和生成方式都不同。
论文评测的静态操作任务没有被这个延迟显著拖累。可如果目标会快速移动，750毫秒里画面已经变了多少，就值得单独测。选择这条路线时，训练预算和动作更新时限要分开算：GPU小时省下来是一项收益，推理等多久是另一项成本。
6. 解码出的动作，怎样接到Q1
Q1 SDK中的 JointCommand 包含关节名称，以及位置、速度、力矩、刚度、阻尼五个数值字段。看到这些字段，很容易想到：能不能把每个字段都塞进动作向量，用FAST编码，再把输出直接送下去？
先决定策略到底预测什么。只预测关节位置，就按关节位置组织训练数据；预测末端变化，还要有相应的转换。刚度和阻尼是否由模型负责也要事先定下来，不能因为协议有这两个字段，就一并塞进动作向量。
随后再把解码、反归一化和机体适配接到 JointCommand。这个出口要明确关节名称、排列顺序、单位和限位，让模型中的每个动作维度都对应到正确的物理量。
时间也有三层：动作序列每秒有多少个采样点，模型每秒重新推理几次，HAL每秒下发多少帧。一个模型可以一次预测一秒的动作，不必每个动作点都重新推理；低层控制器又可以用更密的节奏执行它。
举一个教学配置：策略动作网格是20 Hz，每个点间隔50毫秒；HAL按500 Hz接收指令，每帧2毫秒。两个策略点之间有25个HAL周期，要由插值、保持或低层规划填充。时间网格分清之后，才有地方讨论控制器怎样执行这条压缩后还原的轨迹。
Q1文档建议HAL关节指令以500---1000 Hz下发，时间戳严格递增，并规定单帧位置增量不得超过0.2 rad。接入设计必须同时容纳策略的动作网格和下发层的约束。
FAST这篇论文最值得带进开发过程的，是一次检查动作表示的机会。如果相邻动作几乎一样，却仍要模型逐项预测几百次，表示本身就值得调整。
实际选型可以从重建误差开始：接触、停止和转向附近的动作能否保住？确认这一点，再比较token长度、训练成本和推理延迟。700压到53很漂亮，但最后要执行的，始终是解码出来的那段动作。
阅读范围：本文复核了论文表格，运行了DCT量化与符号合并教学脚本；未复现策略训练，也未在Q1部署FAST。DCT演示采用正交归一DCT-II，误差只对应本文合成曲线。
主要依据：FAST v1论文、作者研究介绍、启元SDK下载。论文数据引自Table I及§VI；合成曲线与符号合并用于解释原理。相关开发实践欢迎在启元开发者社区交流。