让机器人伸手抓东西时，大模型还在计算下一步，它该停住，还是沿着旧动作继续？停住会卡顿，继续又可能因环境已变而出错。视觉—语言—动作模型（VLA，即把画面和文字指令转成机器人动作的模型）越大，这段等待越难忽略。论文提出 Arli，用强化学习（通过结果反馈改进动作的训练方法）让机器人把等待期间的行动也学进去。
它最关键的一步，是不让控制器只看“旧画面”：系统还把已经承诺、即将执行的动作写入状态，并在大模型推理途中补看一次更新的观察。这样，算法眼中的“现在”更完整，不容易破坏强化学习依赖的马尔可夫假设——当前状态应足以预测下一步。作者称，在多项仿真任务和三项双臂 UR5e 真实操作任务中，Arli 能在朴素异步方案与同步等待方案失效的条件下继续改进策略；这些效果目前来自论文自述。