你让机器人把杯子放进柜子。它每走一步，都要重新看画面、推演接下来会发生什么，再反复修正动作。等它算完，眼前的场景可能已经变了。MARS 要解决的正是这种“想得太久”：它不只压缩动作生成，而是检查从视觉编码到连续决策的整条链路，哪里有重复计算，就在哪里有条件地减掉。
这项工作面向世界动作模型（World Action Model，WAM）——一种把“想象环境接下来怎样变化”和“决定机器人怎样行动”放进同一生成过程的模型。能力更完整，代价也更高：摄像头画面要先经过视觉编码，转换成模型能处理的数字表示；动作则通过迭代式生成推理，从粗糙候选开始多轮修正。延迟一高，机器人就只能减少重新规划的频率，闭环控制——“观察、决定、行动、再观察”的循环——也更容易跟不上现实。
作者将 MARS 描述为一个无需重新训练（training-free）、可以接入现有模型（plug-and-play）的加速框架。以下机制、实验数字与结论均来自作者论文，目前没有独立信源交叉验证。
慢，不只慢在一个地方
以往的免训练加速方法常盯住一个环节，例如缓存扩散生成的中间结果。问题在于，系统瓶颈会移动：最耗时的部分被压缩后，原先不起眼的部分马上成为新的短板。
作者分析 Cosmos Policy 在 LIBERO 仿真环境中的推理过程，找到三层分布不均的冗余。
第一层在 Transformer——负责处理信息的核心网络。不同注意力计算的重要性差别很大：不少交叉注意力分支和自注意力头，对最终动作预测影响较小，少数部分却很关键。MARS 先用校准统计衡量移除某个组件会让输出改变多少，再跳过低影响的交叉注意力分支，并裁掉低重要性的自注意力头。思路不是把所有环节统一打折，而是先找出哪些计算更像“陪跑”。
第二层在扩散推理。扩散模型不会一次吐出动作，而会经过多个去噪步骤逐渐修正。作者观察到，步骤之间的输入变化很大，但模型输出和 DiT residual——Transformer 处理前后形成的差值——相对稳定。这意味着后续步骤未必每次都要完整运行大模型。
MARS 会看第一次去噪产生的临时动作，以平均平移幅度判断当前动作的粗细。伸手、搬运一类大幅动作被视为粗粒度阶段，可以直接采用一步生成；接近、抓取、放置和微调等小幅动作更依赖精度，系统便保留原来的多步求解，只复用第一步算出的 residual，减少后续骨干网络计算。像开车时，直路可以少修几次方向，停车入位仍要频繁微调。
第三层发生在相邻两次决策之间。WAM 本来就会预测未来画面，因此上一次预测出的未来视觉 token——画面的内部数字表示——有机会直接充当下一次观察，省去重新编码摄像头图像的成本。但预测可能出错，环境也可能突然变化，所以 MARS 不会无条件复用。
它先用 VAE（负责压缩和还原图像的模型）的浅层特征，比较真实画面变化与预测变化是否一致；只有两者足够吻合，才接受预测 token。不同摄像头视角使用不同阈值，连续复用也设有上限，之后必须恢复完整编码，避免误差一路累积。可以把它理解为“先猜下一帧，再做一次便宜的验票”。
为什么系统视角更重要
三层优化不是简单叠加。论文给出的 LIBERO 分析显示，Transformer 和扩散部分被压缩后，VAE 视觉编码占总延迟的比例从 15.5%升至 47.7%。也就是说，如果只优化动作生成，近一半时间随后会耗在看图上。MARS 的关键价值正在这里：它追着移动的瓶颈继续优化。
消融实验也支持这种分工。在 LIBERO-PRO 上，完整方案达到 3.94 倍加速；去掉按动作粒度跳步后只剩 1.19 倍，说明扩散步骤是最大的一块冗余。去掉视觉 token 复用后为 3.06 倍，去掉注意力跳过后为 3.66 倍。三部分各自贡献不同，合在一起才形成端到端收益。
快了多少，动作还可靠吗
主要实验以 Cosmos Policy 为基础，在 NVIDIA A40 上运行，并对三个随机种子取平均。在 LIBERO 上，原始模型平均成功率为 98.05%，单次推理延迟为 1.4001 秒。偏速度的 MARS 配置把延迟降至 0.3498 秒，即 4.00 倍加速，成功率为 97.42%；较保守的配置为 3.17 倍，成功率为 98.12%。计算量分别降至原模型的 18.39%和 19.19%。
在更强调扰动的 LIBERO-PRO 上，偏速度配置从 1.4044 秒降至 0.3564 秒，达到 3.94 倍；成功率从 45.63%变为 45.53%。在包含 24 个厨房操作任务的 RoboCasa 上，速度提升 2.10 倍，成功率由 66.69%变为 66.94%。这些是相应配置和测试条件下的最高或报告值，不能理解成所有任务都能稳定获得同样倍数。
作者还把兼容的 Transformer 与扩散加速组件用于 Fast-WAM 和 LingBot-VA。前者在 LIBERO 上达到 3.17 倍加速，成功率从 96.58%变为 96.30%；后者达到 2.88 倍，成功率从 97.40%变为 98.13%。这说明方案并非只能运行在 Cosmos Policy 上，但尚不足以证明它适用于所有架构。
真实机器人实验包含 Franka Panda 抓放任务的 40 次试验。Cosmos Policy 配合 MARS 后，延迟从 0.6949 秒降至 0.2625 秒，速度提升 2.65 倍；报告成功率从 90%变为 95%。样本规模不大，这一成功率变化更适合视为“加速后未见明显损失”，而不是性能提升的定论。
局限与未知
- “training-free”和“plug-and-play”是作者对使用方式的概括，但注意力组件仍需离线校准，运动阈值、各视角验证阈值和最长复用次数也需要设置。
- 论文展示了多个基准、模型与真实机器人结果，但这些证据不能推出 MARS 对所有 WAM、硬件和现实环境都有效。
- 目前证据来自作者一方。论文链接了 GitHub 仓库 PKU-VaLuE-Lab/MARS，但仓库的公开完整度与复现情况尚无独立核验。