🔧 机制
六段固定推理链：TASK→PLAN→SUBTASK→MOVE（729 种模板化移动原语）→GRIPPER（末端像素位）→OBJECTS（全场景 bounding box）；接地步骤强迫模型'仔细看'。
纯语义 CoT 不够：Naïve CoT（只有语义层）差 ECoT 16–18pp——增益主体在具身接地步骤。底座 OpenVLA（SigLIP+DinoV2 融合视觉 + Llama2-7B），Bridge V2 六万条演示 250 万 transition。
数据合成管线（零人工，7 天跑完）：Prismatic-7B 场景描述 → Grounding DINO 开放词表检测框（box/text 置信度 0.3/0.2 过滤）→ 本体状态模板化 MOVE 原语（未来 4 步方向）→ OWLv2+SAM+RANSAC 拟合投影矩阵得 2D 末端位置（逐轨迹独立，不假设固定相机参数）→ Gemini 1.0 组装高层计划与逐步子任务。可在任意机器人数据集重跑——微调数据管线的参照系。
📊 结果
挑战性泛化任务绝对 +28%（同底座同数据、唯一差异是 CoT）；反超 RT-2-X（55B、多 10 个数据集）；失败可解释+自然语言可纠错+推理链可迁移到未见 embodiment。
分视角：in-distribution 超 Octo/OpenVLA/RT-2-X/Naïve-CoT 各 +45/22/19/18pp；OOD 视角 +48/34/16/16pp。人类可以读推理链定位失败在哪一段，并通过改推理链文本交互式纠正策略行为。
阻塞代价与两个缓解（原文 5.5）：每步生成 token 7→350，控制频率大降。缓解一=高层推理每 N 步重算（同步跳步）；缓解二=异步双实例——一个实例持续更新高层推理链、另一个用最新链出低层推理+动作（编码已有 token 远快于生成）。作者注明这些与算子优化/投机解码正交。
💡 对主线的启示
矛盾的两半在同一篇里：+28% 证明推理值得要、7→350 token/步证明实时付不起——后续整条线都在解这道题，引用时两个数字一起给。
异步双实例缓解已是'边动边想'雏形（一实例想、一实例动），但无时效语义、无世界演化代价测量——机制②推理摊销的最早本能形态。自动合成接地推理链的管线与 VST 的视频版同族，是微调数据管线的直接参照。
谱系位置：ECoT（每步全量阻塞）→ Fast ECoT（缓存+异步调度）→ π0.5（高低频两遍）→ OneTwoVLA（事件触发+摊销）→ Fast-ThinkAct/LaST0（隐空间化）——'显式推理的时间成本'这条线的完整演化。局限：推理链结构固定六段、单平台（WidowX/Bridge）、MOVE 原语假设固定相机。