真实机器人没有“暂停键”。
现在的 VLA、World-Action Model 往往一次生成未来一段时间的动作序列，也就是 action chunk。模型越来越大，推理时间也越来越长，但机器人不能每隔几百毫秒就停下来等模型推理下一段时间的动作。尤其在投掷这类高动态任务里，一次停顿就可能让已经积累起来的速度掉下去，导致整个任务失败。
所以真实部署里更常见的方式是异步推理：机器人继续执行手头的动作，模型同时在后台计算下一段。简单说，手上做 A，模型已经在算 B。
但这给在线强化学习带来了一个新的问题：模型一次生成了一段动作序列（action chunk），进入物理世界的真正会用的，却往往只有其中一部分。模型“计划过”的动作，和机器人“真正做过”的动作，不再完全相同。
近日，星尘智能（Astribot） 基座模型团队发布能异步执行的在线强化学习框架 SmoothRL（Online Reinforcement Learning During Asynchronous Execution）。解决的是大模型异步推理成为真实部署常态后，与之适配的online RL 到底该从哪些动作里学。
SmoothRL 首次将这类异步 online RL 放到真实高动态投掷任务中验证，进一步证明在线学习不仅能用于高精度修正，也能适配连续加速、精确释放、不能停顿的动态操作。
图注：SmoothRL 整体框架：机器人在异步执行中持续产生真实数据，基础策略提供通用能力，在线 RL 会根据真实执行结果更新动作策略。
传统在线 RL 往往默认一种更规整的节奏：模型先算出动作，机器人执行，再根据结果更新策略。模型生成什么，机器人就执行什么。
异步执行打破了这个对应关系。等一段新的 action chunk 算出来，机器人已经沿着上一轮指令往前做了一截；而这一段新动作还没全部执行完，下一轮推理结果又可能到来，把后半段直接替换。于是，一整段 action chunk 里，有些动作已经来不及改，有些真正执行了，还有一些根本没有发生。
如果强化学习仍然把整段动作一起拿来优化，就会出现一个很直接的问题：机器人来不及改或没做过的动作，也可能因为这次任务成功而被“记功”，或者因为失败而“背锅”。
SmoothRL 先把这笔账拆清楚。它将 action chunk 按执行状态分成三个区域：
- 已提交区域（committed region）：这些动作已经被上一轮推理“提交”了，不能再改变，确定会执行。
- 执行区域（execution region）：当前这轮新生成、机器人实际上会执行的动作。
- 丢弃区域（discarded region）：这些动作虽然模型生成过，但机器人根本不会执行，因为下一轮推理会把它们替换掉了。
训练的时候，不能把这三部分一视同仁。SmoothRL 的核心思想就是：机器人真正执行了什么，就只对什么进行强化学习。也就是说，只让梯度穿过 execution region（执行区域）。
这样训练出来的模型，优化目标才和机器人真实运行时经历的过程一致。第二步，是让训练和部署遵守同一套时间节奏。SmoothRL 在训练 rollout 中就直接运行异步推理：模型计算和机器人执行并行发生，replay buffer 记录的也是这种真实时间关系下产生的轨迹。团队将这一原则概括为 Reinforce in Deployment（在部署强化学习）——不是先在一个理想的同步世界里训练，再换成异步方式部署，而是从训练开始就面对机器人真正会遇到的执行动态。
在论文的具体实现中，团队采用针对各任务微调后的 π0.5 作为基础策略，并沿用 RLT 的基本骨架，用轻量 TD3-style actor-critic 在原始动作空间预测 residual correction。S1 以 30 Hz 执行动作，推理请求频率为 5 Hz，即每 200 ms 得到一个新的 action chunk。基础策略每次预测 32 帧动作；在固定延迟预算下，Committed 与 Execution 共占 12 帧，其中 6 帧属于本轮真正执行的 Execution Region，其余 20 帧在执行前会被后续 chunk 覆盖。
图注：SmoothRL 将异步 action chunk 划分为 Committed / Execution / Discarded 三个区域，并只让价值梯度通过真正执行的 Execution Region。
团队在绳驱本体星尘智能S1上测试了三项真机任务，覆盖两类常见且互补场景：高速动态操作与高精度双臂操作。
特别是高动态任务：机器人动作变化很快，如果每一步都等模型算完再执行，就会卡顿，所以必须采用异步推理。
动态投掷：39% → 94%。 机器人需要从随机位置抓取物体，再投进不同位置的目标箱。这个任务不是到达一个目标位姿就结束，而是要求手臂在摆动过程中持续积累速度，并在准确时刻释放。论文特别指出，一旦在 action chunk 边界发生停顿，手臂可能几乎降到静止，剩余摆动很难重新恢复所需释放速度。因此，它对异步执行尤其敏感。在累计 250 个 rollout episodes 的评估节点，成功率从基础策略的 39% 提升至 94%。
给笔戴帽：8% → 83%。 双臂需要把笔和笔帽精确对齐，允许的相对位姿误差约为 5 mm。基础策略通常已经能到达目标附近，但对不同笔帽位置的微小变化适应不足。最终成功率从 8% 提升至 83%。
快递开箱：30% → 90%。 机器人需要用约 1 mm 宽的刀片插入仅 2—3 mm 宽的箱盖接缝，再沿接缝切开胶带。基础策略存在稳定左偏。值得注意的是，它的学习曲线并非一路上升：150 个 rollout episodes 时成功率一度从 30% 降到 20%，随后回升至 40%，最终达到 90%。真实在线探索并不一定单调变好。
图注：三项真机任务随累计 rollout episodes 增加的成功率变化。
比成功率更值得看的是，机器人的“错法”变了。
RL 之前，三项任务都有明显的系统性偏差：投掷时不能根据目标距离正确调节释放速度；开箱时刀片持续向左偏；给笔戴帽时，对不同笔帽位置产生过于相似的动作。在线 RL 做的，就是利用真实执行结果，一点点把这些固定偏差修回来。
到最终 checkpoint，失败已经明显向成功位置收缩。开箱任务的失败样本中，刀片相对接缝的左右偏差约为 1—2 mm；给笔戴帽的失败样本也主要变成了正确位置附近的小幅错位。
所以这里的 RL，并不是从零重新教机器人“什么叫开箱”，而是在做一件更接近部署的问题：把一个已经基本会做的策略，继续练到足够准确。
而且，更准的同时还要兼顾动作平滑性。通过在策略中加入平滑性约束，在一次真实自主投掷 rollout 中，经过在线 RL 后，右侧末端执行器的加速度均方根下降了 52%，急动度（Jerk）下降了 47%。也就是说，机器人不仅成功率更高，突然加速、减速和方向变化也更少，整个投掷过程更平稳、更连续。
图注：动态投掷中的 Velocity / Acceleration / Jerk 对比
过去几年，机器人基础模型主要解决的是“会不会”：用更多数据、更强模型，把能力做宽。但机器人真正进入真实环境以后，新的问题往往不是完全不会，而是差几毫米、差半拍，或者换一个物体位置就不够稳定。
SmoothRL 关注的是这之后的一层：一个已经具备基础能力的 pretrained policy，进入真实世界以后，能不能继续根据真实执行结果修正自己。
论文当前使用的是稀疏的任务成功 / 失败奖励，训练过程中操作员也可以在必要时介入，介入动作属于 raw action space 中，并可直接用于后续的模型训练。因此，这还不是完全无人参与的“自主进化”，而是一套面向真实部署的更高效的在线后训练机制。
它也有明确边界。当前实现要求每次 chunk-level inference 都在预设 latency budget 内完成；轻量 residual policy 的表达能力也受到冻结基础策略限制。如果基础策略本身离目标行为太远，局部 residual correction 并不能凭空把它救回来。
下一步，团队计划进一步探索更大范围的策略更新、更广泛的任务分布，以及异步执行与生成式策略端到端优化之间的结合。
SmoothRL 指向的是一个正在变得越来越具体的问题：预训练让机器人学会怎么做，真实世界里的后训练，再把这些能力练得更准、更稳、更可靠。
SmoothRL 背后，延续了星尘在机器人模型上一条独特的长期判断：动作不是视觉或语言模型最后附带生成的结果，而应该成为机器人智能里的“第一公民模态”。 因为机器人最终不只是为了看懂世界，更要在物理世界正确行动。所以Lumo系列基座模型始终关注“为什么要这样动”，从Lumo-1的显式推理、到Lumo-2预测世界因动作带来的变化，都在沿此思路发展。
在这条主线下，星尘也形成了从前端 Agent、中间基座模型、到 RL 后训练的完整模型布局：Agent 负责交互、记忆、理解任务与调用能力，基座模型逐步形成开放场景里可泛化的通用操作能力，RL再从真实执行中的成功、失败和反馈中修正策略、持续进化。
在模型全面发展时，星尘“AI模型-具身OS-绳驱本体”的全栈系统也在持续迭代，推动Physical AI的应用与规模化部署。
SmoothRL 由星尘智能王佳楠担任项目负责人，高广、农宇轩为共同第一贡献者，黄百富参与研究。
