四川大学雷印杰教授团队提出VLA后训练框架PolicyTrim，目标是在不改动模型架构、不重新收集专家数据的前提下，提高机器人策略效率。该方法分两阶段扩展可靠动作chunk并压缩冗余物理步骤。论文结果显示，PolicyTrim在LIBERO、ManiSkill、Meta-World及真实机器人任务中，在保持成功率稳定的同时提升执行效率，其中π0.5在LIBERO上的最高端到端加速达到5.83倍。