02 MethodFast-dVLA 的核心是将全序列双向注意力替换为分块因果注意力 （block-wise causal attention），并结合扩散强迫 （diffusion forcing）实现块间并行解码。训练时采用非对称蒸馏从已微调的双向 dVLA 高效迁移能力；推理时设计流水线并行调度算法，平衡解码可靠性与吞吐量。
3.1 隐式块级自回归趋势的发现
通过可视化 Dream-VLA 在不同去噪步骤中各 token 位置的解码概率（Figure 3），作者发现：尽管 dVLA 使用双向注意力，其解码过程在宏观上仍呈现从左到右的块级自回归模式 ——时间序列中靠前的动作块倾向于在更早的去噪迭代中被解码。这一观察源于两个原因：①dVLA 骨干初始化自自回归 VLM，天然保留了自回归特性；②不同时间步的动作存在固有的时序依赖。该发现表明，经过微调的双向 dVLA 可被直接"强制"遵循分块扩散解码方式 。
3.2 分块注意力与 KV 缓存复用
将长度为 L 的动作 token 序列划分为 N 个等大小的块，每个块仅能 attend 到其之前所有块的 token（因果限制），同一块内 token 可互相 attend（块内双向）。一旦某块解码完成，其 KV 状态即固定不变 ，后续解码步骤可直接复用缓存的 KV，无需重新计算，彻底解决了双向注意力下 KV 随去噪步变化的问题（Figure 4b 验证了缓存相似度接近 1.0）。
为实现块间并行解码，论文借鉴扩散强迫思想，对不同块赋予单调递增的噪声水平（t₁ < t₂ < ⋯ < tₙ）：靠前的块噪声更少（信息更完整），靠后的块仍高度遮蔽，从而允许模型在精化前序块的同时并发去噪后续块，实现块间并行而不损害时序一致性。
3.3 非对称蒸馏（Asymmetric Distillation）
直接从头训练代价高昂。论文提出从已任务微调的双向 dVLA（教师）蒸馏 Fast-dVLA（学生）：教师以全局视角 （bidirectional attention，看到所有块）预测目标，学生以块因果视角 （causal block attention，仅看到前缀块）逼近教师输出，二者结构共享但注意力模式不同——这种"不对称"使蒸馏损失 ℒ_AD 能高效传递教师的整体规划能力。实验显示，ℒ_AD 仅需约 2,000 步 即可收敛，是从头训练所需步骤的约 1/10（Figure 8）。蒸馏采用 LoRA（rank=32），仅训练 LoRA 分支以保留骨干的视觉语言预训练知识。
3.4 流水线并行解码（Pipelined Parallel Decoding）
推理时维护一条动态增长的块流水线（Figure 6），区分"半激活"与"全激活"两种状态：当前一块的解码完成比例超过阈值 τ_add 时，新块被引入为半激活状态；当前一块完成比例超过 τ_act 时，新块升为全激活状态。全激活块采用置信度自适应的激进解码 策略（按置信度排名，每步至少解码 ⌊剩余 token/n⌋ 个），兼顾吞吐与可靠性。
图 6 Fast-dVLA 流水线并行解码示意。 各列代表一个动作块，各行代表一个解码时步 T（从下到上）。深色=已缓存，蓝色=全激活，浅色=半激活，白色=未激活。新块在前驱完成比例超 τ_add = 2/7 时引入，在超 τ_act = 4/7 时升级为全激活。块间并行推进使整体 KV 缓存利用率最大化。
