一句话定位
One-Step Flow Policy（OFP）不依赖预训练教师模型，用”自一致性训练 + 自引导正则化 + 免训练 warm-start”三件套把 flow-matching 视觉运动策略从零蒸馏成单步生成器：在 56 个仿真操作任务上，1 步推理平均成功率超过 100 步扩散/flow 策略，推理加速 100 倍以上；接入 π0.5 后单步也能超过原版 10 步策略。
背景与定位
Flow/扩散生成式策略（如 Diffusion Policy、DP3、π0/π0.5）用迭代 ODE/SDE 求解生成动作，天然支持多模态动作分布和连续控制信号，但单次动作生成需要几十到上百次网络前向，在高速抓取等时间敏感场景中控制频率和精度都会被拖累。此前的加速路线分两派：一是[consistency-policy|Consistency Policy] 这类一致性蒸馏（Consistency Distillation），沿轨迹强制端点一致，但目标函数是 mode-covering 的，容易在多模态动作分布上做平均，单步预测不够”尖锐”；二是 One-Step Diffusion Policy（OneDP）这类得分蒸馏（Score Distillation，源自 DMD），目标 mode-seeking，单步样本质量高但牺牲了多样性、且只能做单步推理（无法用多步换精度）、还都依赖预训练教师网络提供得分/轨迹。MeanFlow 尝试用平均速度场做单步生成，但训练中的 JVP（Jacobian-Vector Product）计算显著增加显存开销并使优化不稳定（在真实机器人策略适配版 MP1 里训练方差大、频繁 loss spike）。
OFP 的定位是把两派的优点在一个从零训练（无教师网络）的自蒸馏框架里统一：自一致性训练继承一致性蒸馏的”跨时间连贯性”，自引导正则化引入得分蒸馏式的”锐化到专家高密度模态”信号，两者互补，同时保留了多步推理换精度的能力。论文进一步把该方法接到 π0.5 这一大规模 VLA 骨干上验证可扩展性（在 RoboTwin 2.0 上单步超过原版 10 步）。
模型架构
Backbone（仿真基准）：Diffusion Transformer（DiT），2D 与 3D 设置均为 12 层 transformer、8 个注意力头、隐藏维度 768；时间步嵌入与目标区间嵌入各 128 维，拼接后投影；观测通过 cross-attention 注入，线性头输出最终动作。
ACTION 建模：不是离散 token 化，而是把标准 flow-matching 的”瞬时速度场”换成参数化的区间平均速度场 u_θ(z_t, t, r∣o)（0≤t≤r≤1），表示从 t 到 r 的平均速度；更新规则 z_r = z_t + (r−t)·u(z_t,t,r)；当 r→t⁺ 时退化为标准瞬时速度场，与 flow matching 理论一致。推理时既可做单步全局跳跃 â=ε+u_θ(ε,0,1∣o)，也可以链式多步（K 段区间）换精度，同一模型无需重训即可在 NFE=1 和 NFE=4 之间切换。
编码器（2D 设置）：ResNet-18 端到端训练提取视觉特征，两帧历史的 84×84 RGB + 低维本体状态（如 Adroit Hammer 24 维、DexArt Faucet 32 维），8 步动作 chunk，执行前 4 步（receding horizon）。
编码器（3D 设置）：DP3 的 PointNet 点云编码器 + MLP 状态编码器，点数从 512（Adroit/MetaWorld）到 1024 场景点+96 想象机器人点（DexArt）；128 维点云特征+64 维状态特征拼接后送入 transformer 策略。
跨具身集成（π0.5+OFP）：沿用 OpenPI 的双专家 PaliGemma 架构——2B 参数的视觉语言前缀专家（含 SigLIP 编码器）融合多视角相机与语言指令，300M 参数的动作专家（depth 18、width 1024、8 头）把带噪动作 token 映射为 flow 更新；时间与区间条件通过自适应 RMSNorm 注入；输入为 3 路 224×224 RGB、32 维机器人状态、PaliGemma 分词后的语言 prompt。
对比基线架构：DP 与蒸馏基线（CP、OneDP）用 U-Net 去噪器，通道宽度 [256,512,1024]；DP3 通道更宽 [512,1024,2048]；所有蒸馏基线沿用各自教师网络架构（CP/OneDP 均由预训练 DP3 教师蒸馏而来，OFP 与 MP1 是从零训练）。
数据
不涉及互联网规模预训练数据，全部是仿真专家示范 + 一个真实 VLA 微调设置：
- Adroit（3 任务：Door/Hammer/Pen）：单任务学习，每任务 10 条专家示范，训练 3000 epoch。
- DexArt（4 任务：Bucket/Faucet/Laptop/Toilet）：单任务学习，每任务 100 条专家示范，训练 3000 epoch。
- MetaWorld（49 任务，按难度分 Easy 28/Medium 11/Hard 5/Very Hard 5）：单策略联合训练全部 49 任务，每任务 10 条示范，训练 1000 epoch。
- 3D 设置总计 56 个任务（Adroit 3 + DexArt 4 + MetaWorld 49）；2D 设置为 Adroit 3 + DexArt 4 共 7 个任务。
- RoboTwin 2.0（π0.5 集成，4 任务：Adjust Bottle / Beat Block Hammer / Handover Mic / Place Empty Cup）：每任务 100 条示范，从 π0.5 base checkpoint 微调 3000 步，评测时每任务 100 次随机化 trial（域随机化涵盖杂物干扰、背景纹理、光照、桌面高度）。
- 数据效率消融（DexArt Faucet 任务）：示范数从 20 条增到（未列出全部中间点，论文只给两端）150 条，OFP 从 32.7%→51.0% 持续提升；MP1 在 20 条示范时性能急剧退化，150 条时也出现下降（rank-collapse 现象），OFP 未出现该问题。
- 无 sim-to-real 迁移实验，仿真与真机（π0.5 微调用的是仿真 RoboTwin 2.0，非物理真机）各自独立采集示范，未引入第三方数据联合训练；论文自陈”当前评测均在仿真中完成，真机验证是直接的下一步工作”。
训练方法
统一目标：L_self-distill = L_flow + λ_c·L_self-consistency + λ_g·L_self-guidance。
- 边界锚定（L_flow）：标准 flow-matching 监督，对角线上 u_θ(z_t,t,t∣o) 回归 (a−ε)，保证策略保留多步高质量生成能力。
- 自一致性训练（L_self-consistency）：采样两个时间 (t,r)（t<r）和中间时间 m∈[t,r]，用 EMA 教师 u_θ⁻ 预测轨迹终点 ẑ_r = z_m+(r−m)·u_θ⁻(z_m,m,r)，构造目标 u_target=(ẑ_r−z_t)/(r−t)；关键是时间收缩调度（time-contracting schedule）：m 从 U[t, t+(r−t)ρ(s)] 采样，ρ(s) 随训练步 s 单调递减——训练早期 ρ(s)≈1（m 覆盖整个区间，减少对未训练教师的 bootstrapping 误差），后期 ρ(s)→0（m→t，强制严格局部一致性）。论文附录证明：当 (m−t)→0 时，该一致性目标收敛到 MeanFlow 目标里导数项的有限差分近似，但完全避免了 MeanFlow 需要的 JVP 计算，只依赖前向传播。
- 自引导正则化（L_self-guidance）：把单步预测 â 在新时间 t’ 重新加噪，最小化策略边际分布与专家分布的反向 KL；用 Classifier-Free Guidance 展开梯度后发现可分解为 “CFG 增广项（CA term）” 和 “分布匹配项”，DMD 式分析表明 CA 项是样本质量的主要驱动，于是只用 CA 项作为引导信号——用 EMA 教师自身的条件/无条件预测差 (u_θ⁻(·∣ϕ)−u_θ⁻(·∣o)) 估计得分差，无需预训练教师。训练用条件 dropout（概率 p_drop）让同一网络同时学习条件/无条件分支。
- Warm-start（免训练推理机制）：receding-horizon 循环中，把上一步未执行的动作后缀左移、末端动作 padding 补齐，构成与当前 chunk 等长的 warm-start 先验 a_warm；推理时不从纯高斯噪声出发，而是从 a_warm 在噪声水平 t_w 处的加噪投影 z_tw=(1−t_w)ε+t_w·a_warm 出发做单步跳跃，降低单步生成需要跨越的 transport 距离。
关键超参（仿真主实验）：AdamW，lr=1e-4，β=(0.95, 0.999)，weight decay=1e-6，cosine schedule + 500 步 warmup；EMA 教师衰减 0.75（上限 0.9999）；训练 3000 epoch，batch size 64；损失权重边界 flow-matching 占 80%、自一致性占 20%；自一致性区间从 logit-normal 分布采样，时间收缩调度取多项式衰减；3D 任务上自引导权重 0.05，条件 dropout 10%；推理 warm-start 取 t_w=0.15。
π0.5+OFP 微调超参：沿用 OpenPI 配置，AdamW，全局梯度裁剪 1.0，cosine schedule 峰值 lr=2.5e-5，从 π0.5 base checkpoint 微调 3000 步。
训练范式为模仿学习（regression on expert demonstrations），无 RL 阶段。
Infra（训练 / 推理工程）
- 仿真主实验：单张 NVIDIA A100 GPU，训练 3000 epoch，batch size 64；总 GPU-hours 未披露；是否用混合精度 / 数据并行未披露。
- π0.5+OFP 微调：4 张 NVIDIA A100 GPU，微调 3000 步；GPU-hours 未披露。
- 推理延迟（56 任务平均，wall-clock）：OFP 单个动作 chunk 17.58 ms；对比 DP3（NFE=100）3225.67 ms、3D FM Policy（NFE=100）1865.72 ms——分别对应约 183× 和 106× 加速；OFP 比 OneDP/MP1（同为单步）略慢，因为 warm-start 引入了少量额外计算，论文认为精度收益足以覆盖这部分开销。
- 控制频率（control-Hz）未直接给出，可由 chunk 级延迟折算（17.58ms/chunk），但论文未提供逐动作/实时控制频率的显式数字；边缘硬件部署未涉及（全部为仿真评测 + GPU 上的 π0.5 微调）。
- 代码/权重未开源（arXiv 页面 Code/Data/Media 标签下仅有第三方 CatalyzeX 代码查找器链接，未见官方 GitHub/HF 仓库）。
评测 benchmark
2D 图像输入，7 任务平均（Table 1，NFE=1 vs 多步基线）
| 方法 | NFE | Door | Hammer | Pen | Bucket | Faucet | Laptop | Toilet | 平均 |
|---|---|---|---|---|---|---|---|---|---|
| DP | 100 | 51.7 | 100.0 | 67.7 | 34.7 | 38.7 | 80.3 | 76.0 | 64.2 |
| FM Policy | 100 | 63.7 | 100.0 | 69.7 | 31.7 | 40.7 | 84.7 | 79.7 | 67.2 |
| CP | 1 | 46.3 | 100.0 | 58.7 | 30.7 | 33.3 | 79.0 | 69.7 | 59.7 |
| OneDP | 1 | 53.3 | 100.0 | 64.7 | 32.7 | 40.0 | 76.3 | 76.3 | 63.3 |
| MP1 | 1 | 49.3 | 96.3 | 57.3 | 31.7 | 33.0 | 83.7 | 72.3 | 60.5 |
| OFP | 1 | 68.3 | 100.0 | 69.3 | 33.3 | 41.0 | 85.7 | 80.7 | 68.3 |
OFP 在 NFE=1 下（68.3%）已超过 DP@NFE=100（64.2%）和 FM Policy@NFE=100（67.2%）。
3D 点云输入，56 任务平均（Table 2）：DP3@100 步 66.4%，3D FM Policy@100 步 59.8%；OFP@NFE=1 达 71.6%——比 DP3@100 高约 8 个百分点，比 3D FM Policy@100 高 19.7 个百分点；OFP 在 MetaWorld 各难度段（Easy 87.9%、Medium 52.4%、Hard 43.3%、Very Hard 49.2%）均优于或接近其余单步方法。
少步 vs 单步权衡（Table 3，4 个 DexArt 任务）：OFP@NFE=1 平均 64.5%，@NFE=4 提升到 66.2%；OneDP 只支持单步（62.5%），CP 从 NFE=1 的 60.7% 提升到 NFE=4 的 64.2%——OFP 同时保持单步最优和多步继续提升的能力。
π0.5 集成，RoboTwin 2.0 四任务平均成功率（Table 5，NFE=1 除 π0.5 基线 NFE=10）：π0.5 基线 91.5%（4 任务均值：96.0/88.3/90.7/91.0）；CFM 79.1%；Shortcut 80.9%；iMF 86.7%；OFP 94.7%（99.0/91.7/94.3/93.7）——单步 OFP 全面超过原版 10 步 π0.5。
组件消融（Table 6，7 个 Adroit+DexArt 任务平均）：仅 SCT（自一致性）NFE=1 时 68.7%，NFE=4 时 72.3%——单步能力明显落后多步；SCT+SGR（加自引导）NFE=1 提升到 71.4%（+2.7pt），NFE=4 到 72.6%；完整 OFP（再加 warm-start）NFE=1 达 73.3%，NFE=4 达 75.7%。消融证实：SCT 提供跨时间平滑但单步易”多模态平均”、SGR 专门解决单步锐化、warm-start 训练免费且在任意步数下都有增益。
数据规模消融（Fig. 4，DexArt Faucet）：极稀疏数据（20 条示范）下 MP1 大幅退化，OFP 保持稳健；示范数增加时 OFP 从 32.7% 平滑提升到 51.0%，MP1 在 100 条示范后反而下降（bootstrapping/rank-collapse 问题）。
创新点与影响
贡献：(1) 提出无需预训练教师的从零自蒸馏框架，把一致性蒸馏（trajectory-matching）和得分蒸馏（score-distillation）两条此前互斥的技术路线统一进同一个训练目标；(2) 用”区间平均速度场 + EMA 教师 + 时间收缩调度”构造一致性目标，并在附录证明它在极限下等价于 MeanFlow 的导数项，却完全绕开 JVP 计算，训练更稳定（论文观察到 MP1/MeanFlow 类方法训练中出现高方差和 loss spike，OFP 未出现）；(3) 复用 warm-start 这一原本用于平滑 receding-horizon 执行的技巧，把它重新定位为免训练的单步推理先验，缩短单步生成需要跨越的 transport 距离；(4) 在 56 个仿真任务和 π0.5 这一大规模 VLA 骨干上都验证了单步生成不发生性能坍缩，证明该方法不锁定在小模型策略类上。
改变了什么：此前单步生成式策略要么牺牲多样性（score distillation 类，如 OneDP）、要么牺牲单步精度（consistency distillation 类，如 CP），且都依赖预训练教师；OFP 首次在从零训练、无教师、同一模型可在 1 步与多步间自由切换的条件下，把单步生成质量推到超过 100 步基线的水平，同时给出 100倍以上 的推理加速。
作者自陈局限：当前全部评测在仿真中完成，物理真机验证是直接的下一步工作；OFP 与系统级加速技术（模型量化、结构剪枝）是正交的，可进一步叠加降低推理延迟，但论文未做此类叠加实验。
原始链接
- 论文（arXiv，2026-03-12 提交）：https://arxiv.org/abs/2603.12480
- 论文 PDF：https://arxiv.org/pdf/2603.12480
一手源存档（sources/）
- 论文全文（arXiv 2603.12480，arXiv 原文 PDF，不入 git；正文数字取自 arXiv HTML v1 全文，含附录 A–E）。
- 未发现官方 GitHub / HuggingFace / project page（arXiv Code-Data-Media 标签仅有第三方 CatalyzeX 代码查找工具，未见作者自建仓库或主页），故本页无额外可归档的一手网页快照。