π-FAST 的离散自回归动作生成，与 π0/π0.5 的连续 Flow Matching Action Expert 相比，各有什么训练和推理取舍？在闭环重规划时，两者又分别有什么限制？

训练：FAST 把动作压成短离散序列，用标准 next-token 损失，收敛比 flow matching 快约 5 倍，并能与语言数据共享同一套训练设施；flow matching 需要多步去噪式训练与专门实现。推理：AR 生成动作 token 是串行的，chunk 长、控制频率高时延迟压力大；flow expert 少数步积分即可并行产出整块动作。闭环重规划：AR 每次重规划都要重新生成整段 token 序列，块内无法中途修正；flow expert 可以用 inference-time extrapolation 在旧块执行期间预生成新块，重规划延迟更隐蔽。

好答案会给出量化直觉：token 序列长度正比于 chunk 步数乘维度压缩率，控制频率越高串行解码压力越大；工程缓解手段包括 KV cache、投机解码。还应指出 FAST 的定位——加速训练与迁移，而非替代连续专家；π0.5 两阶段并用正是取两者之长。