机器人伸手抓杯子时，手腕偏一点、夹爪早合一点，都可能让结果不同。但模型常把这些连续动作压成有限的“动作词汇”，再像写句子一样逐个预测；压缩后，每个动作看似误差不大，原本适应不同场景的细微差别却可能缩小，甚至颠倒。
ActionPiece重新设计了这一步。它为自回归VLA——同时理解画面、指令并生成动作的模型——提出PRC指标，检查动作压缩再还原后，邻近动作之间“谁更近、谁更远”的顺序是否保留。训练时，它不仅降低均方误差，也同时约束动作特征和离散词码的分配关系。说白了，它不只要求每个点大致准确，还要求整组动作的相对结构别乱。
在相同的Qwen3-VL-4B训练设置下，作者报告ActionPiece在LIBERO成功率为94.8%，比最强对照高1.1个百分点；在未见过的LIBERO-Plus场景中达到68.8%，高4.5个百分点。社区获得39个点赞也说明，动作Token正从实现细节变成机器人模型的新竞争点。