ChunkAct：面向 Agent 机器人的动作分块

Agentic robotics 将 LLM agent 置于机器人控制回路中，组合感知、运动与 VLA 工具，但每个原语都需对完整交互历史做一轮 LLM 推理，成本随原语数量增长。作者认为子目标确定后原语执行是记忆已规定的例行流程，推理大多冗余，因此提出 ChunkAct：在线单次调用启动一串链式原语并自主执行，仅在失败时交还控制；离线将 memory 编译为这些 chunk，使测试时无需 memory，LLM 计算量随 chunk 数而非原语数扩展。

AI推荐理由 提出将 action chunking 引入 LLM 驱动的机器人控制循环，在线一次调用执行一串原语、失败才交还控制，离线把 memory 编译成 chunk，使测试时无需 memory、LLM 计算量随 chunk 数而非原语数增长。针对 agentic robotics 推理冗余这一具体效率瓶颈，思路清晰，但摘要未给出量化实验与对比结果。