让机器人拿起杯子时，它常不是不会动，而是在等下一步动作算完：算一次、停一下，动作就显得走走停停。IMLE-VLA瞄准的正是这段等待。VLA（视觉—语言—动作模型）会根据画面和指令控制机器人；常见的连续动作头——负责输出关节移动量等可细调数值的模块——需要像反复修改草稿一样，用扩散或流匹配多轮生成动作。
IMLE-VLA保留原有视觉语言骨干，只把原先十步的流匹配动作头换成单步生成器。难点是，直接回归容易把多种合理做法平均成一个未必好用的动作。作者因此采用 cIMLE（条件隐式最大似然估计）训练：给同一情境配上不同随机噪声，让生成器一次产出完整动作序列，同时鼓励它覆盖多种可行动作，而非挤到单一模式。
这条路线的价值很直接：闭环控制要不断“观察—决策—执行—再观察”，每次决策少等几轮，机器人就更有机会连贯行动、及时应对变化。作者称，该方法在 40 项 LIBERO 模拟任务及 Franka Emika Panda 的四项实机任务中兼顾了成功率、平滑度与速度；但供稿中的具体数值缺失，因此这里不作量化比较。