CF-VLA: Efficient Coarse-to-Fine Action Generation for Vision-Language-Action Policies

CF-VLA是2026年提出的由粗到细两阶段VLA动作生成框架，将动作生成重构为粗略初始化步骤加单步局部细化步骤。粗略阶段学习关于终点速度的条件后验，将高斯噪声转换为结构化初始化；精细阶段从初始化进行固定时间细化纠正残差误差。在不缩短采样轨迹的前提下显著提升生成效率和动作精度，适用于高自由度机器人操作、灵巧手控制和实时策略部署场景。