机器人每做一个动作，都像要把同一句话反复推敲十遍；每遍只慢一点，累积起来也会错过合适的控制时机。MambaAct瞄准的正是这个问题。VLA——把视觉、语言指令转成机器人动作的模型——通常用流匹配逐步修正随机动作。论文采用10步去噪，因此负责生成动作的“动作专家”也要连续运行10次。
作者保留原有的视觉和语言理解部分，只把基于Transformer的动作专家换成更紧凑的Mamba——一种按顺序传递状态、面向高效序列处理的架构。最值得注意的是，MambaAct先用Context Compressor把大量视觉与语言信息压成紧凑条件，再在每个Mamba动作模块中重复利用，避免每轮都逐个对照原始信息。作者称，这能缩小动作专家、降低去噪延迟，同时维持或改善多项机器人任务表现；但抓取文本缺失具体参数量、延迟和成功率数字，暂不宜据此判断提升幅度。