Black Forest Labs 的 flux-action 是一个开放权重的 7B 世界动作模型，在机器人（DROID、SO-101）、模拟器和游戏中对动作预测进行学习与微调后执行。2026-11-02 的提交 89ad4b6（PR #9）添加了“已提交前缀实时分块（real-time chunking）”。已经发送给机器人的命令被固定为前缀，其后的区段才被重新预测。
新增设置有两个。rtc_max_prefix 在学习时为每个窗口从 [0, rtc_max_prefix] 中抽取前缀长度 P，并把 timestep 0 的正确目标值放入前 P 个动作 token，但不对其计算损失。其余 token 被重新加权，使其权重不随 P 变化。在推理中，当 predict_action_chunk 收到 committed_actions 时，它在所有去噪步骤中把这些命令固定在前 P 个 token 上并原样返回。select_action 在队列中还剩 rtc_overlap 个命令时预测下一段动作，并将其提交为该段的开头，从而让连续的分块无缝衔接。docs/setup.md 中新增了控制循环的说明：当剩余命令为 P 个时，在后台线程中启动下一次预测；测试则添加在 tests/test_rtc.py。
局限是明确的。该功能仅在 absolute 和 joint_relative 动作参数化下有效，joint_delta 在配置阶段会被拒绝。在使用 prepare_inference() 的参考路径中无法使用。P 必须覆盖延迟时间×控制频率，因此在 30 Hz 下 250 ms 的延迟对应 8 个命令，即大约需要 10 个，并且必须直接在机器人计算机上实测最慢的预测来确定。文档写明，启用编译和蒸馏后，在 RTX 5090 上测得约 140 ms，并建议请求优化的部署检查点。不过该提交中没有性能对比或统计数据，而且两个设置项的默认值都是 0，因此既有行为保持不变。延迟造成的停顿能减少多少，在没有单独实测之前难以判断，因此应先实测实际的控制周期和延迟时间。