Vision Transformers (ViTs)로부터 사전 학습된 조밀한 시각적 특징(dense visual features)은 강력하지만, 로봇 학습(robot learning) 분야에서는 충분히 활용되지 못하고 있습니다. 현대의 로봇 정책(robot policies)은 각 관측값(observation)을 하나의 단일 전역 토큰(global token)으로 압축하거나, 처음부터 학습된 시각적 백본(visual backbones)에 의존함으로써, 세밀한 공간적 디테일과 대규모 시각적 사전 학습(visual pre-training)의 이점을 모두 희생합니다. 대규모 시각-언어-행동 모델(VLAs)과 같이 조밀한 패치 특징(dense patch features)을 사용하는 정책들이 존재하기는 하지만, 이들은 수십억 개의 파라미터를 가진 시각-언어 모델(VLM) 백본의 전체 비용을 그대로 물려받아 무겁고 느린 경향이 있습니다. 우리는 Patch Policy를 통해 이 간극을 메웁니다. Patch Policy는 트랜스포머 기반 정책이 전체 VLM의 계산 오버헤드 없이도 사전 학습된 조밀한 패치 토큰(patch tokens)을 직접 소비할 수 있게 하는 최소한의 구조적 확장입니다. 그 핵심은 표준 정책의 시간적 인과성(temporal causality)을 유지하면서도, 모델이 다른 상태 정보와 함께 관측당 많은 패치 토큰에 주의(attend)를 기울일 수 있도록 하는 블록 인과적 어텐션 마스크(block-causal attention mask)입니다. Patch Policy는 가볍고 빠르며 매우 효과적입니다. 4개의 시뮬레이션 환경과 3개의 실제 환경 스위트 전반에 걸쳐, 우리의 방법은 최첨단 전역 풀링된 표현(global-pooled representations)을 사용하는 정책보다 40%의 상대적 개선을 달성했습니다. 또한, 약 0.7%의 파라미터만을 사용하면서도 미세 조정된 OpenVLA-OFT를 18% 상회하는 성능을 보여주었습니다. 우리는 Patch Policy가 로봇 공학 커뮤니티가 고주파수 반응형 제어(high-frequency, reactive control)에 필요한 학습 효율성이나 추론 속도를 희생하지 않으면서도, 시각적 표현 학습(visual representation learning)의 지속적인 발전을 손쉽게 활용할 수 있는 파이프라인을 제공한다고 믿습니다. 영상은 https://patch-policy.github.io 에서 확인할 수 있습니다.