🔧 机制
每步先采样 decision token：[BOR]→自回归生成推理文本+存参考帧；[BOA]→以最近推理+参考帧为条件出 action chunk。推理时机是训练出来的模型输出。
决策监督的关键设计：推理区间内若当前推理内容已过期（stale）真值为 [BOR]，更新后变 [BOA]；行动区间恒 [BOA]——'推理有时间冗余、只在失效时更新'直接编码进监督。推理内容四件套：场景描述+高层计划+历史摘要+下一步指令；另收失败恢复数据与人机交互标注。
VL 合成管线（16,000 样本）：Gemini 2.5 Pro 生成桌面布局文本 → FLUX.1-dev 出图（鱼眼畸变/合成夹爪贴真实观测）→ Gemini 生成指令+推理内容；与机器人数据共训带来开放世界 grounding 与泛化规划（'帮我提神'→煮咖啡）。
📊 结果
三个长程灵巧任务（火锅/调酒等）平均 87%：超 π0 +30%、超双系统 +24%；四能力：长程规划/错误恢复/人机交互/可泛化 grounding。
双系统基线的失败模式有诊断价值：交互中丢上下文、推理过程不连贯（例：只捡起柠檬伏特加就不继续调酒）——单模型统一上下文是它的核心优势来源。Cocktail 任务要求区分近十种视觉相似原料并精确倾倒。
与机制清单的对应：③事件触发（关键时刻才 [BOR]）+ ②推理摊销（其余时间用最近推理）。隐含假设=推理内容有时间冗余：摊销的合法性依赖环境变化速度低于推理失效速度。
💡 对主线的启示
when-to-reason 作为可训练的模型输出（decision token）——微调臂'推理时机作为学习决策'的直接同构；stale-reasoning 监督格式可用于流式 CoT 标注。
关键划界：推理仍是阻塞式（[BOR] 期间不出动作），事件触发解决了'何时想'、没解决'想的时候世界在跑'——在调速阶梯上'摊销假设'本身可被扫描（快端摊销应崩溃）。与 HiRT 对照：OneTwoVLA 单模型同步、HiRT 双模型异步。
局限：关键时刻类型由数据标注定义（三类）非开放学习；真实实验限桌面操作；synthetic 数据依赖闭源模型。对照阅读：ECoT（固定阻塞推理起点）、VST（视频侧推理摊销+异步）、AnytimeReasoner（推理预算的 RL 训练目标）。