Anthropic研究：机器人技术上可完成美国74%的体力任务，但具成本优势的仅占0.3%

ChunkTrust 是一个预印本框架，通过动作专家证据自适应选择每轮重规划实际执行的 action chunk 长度。其训练无关的 Action-aware Horizon Selector 在 RoboTwin2.0 和 RoboCasa 上均提升基座策略成功率，在 50 个任务的 π0.5 上增加 6.80 个百分点，在真实世界四项家庭任务中把标准化过程得分从 50.4% 提高到 57.5%。该方法不更新基座策略权重，有望提升 VLA 和世界动作模型的部署可靠性。

ChunkTrust 将执行时域看作潜变量。AHS 在收到一条 flow 模型去噪轨迹后，计算候选前缀的频域稳定性（intra-chunk spectral stability）以及拼接已执行历史与预测动作后的速度变异系数（inter-chunk continuity），融合为证据质量。再通过带核遗忘的在线 Beta 后验累积每次重规划证据，并用 Thompson 采样和期望取整选择执行长度。可选的 Query-based Horizon Adapter 从相同证据学习上下文条件的稠密时域先验，部署时与当前证据和当前回合 Beta 记忆相乘，而基座策略保持冻结。