视觉-语言-动作（VLA）模型为机器人操作提供了统一范式，然而其实际部署常常受限于执行效率。现有工作主要关注以计算为中心的效率优化，以减少每步推理延迟，但这些模型的本征策略效率仍鲜有探索。策略效率从根本上受两个因素影响：预测动作块的有效可执行长度，以及完成一项任务所需的总物理步骤数。这两个因素共同决定了执行过程中前向推理调用的总次数。我们观察到，当前的VLA策略存在规划不可靠和动作冗余的问题，在动作块尾部出现严重的预测退化，并倾向于生成不必要的冗余物理步骤。针对这一问题，我们提出了PolicyTrim，一种基于强化学习的后训练框架，旨在延长可靠的动作块长度并减少冗余物理步骤。在可靠块扩展方面，我们采用动态探索策略，明确奖励更长的可执行长度的成功完成，逐步将可信预测范围推向经验极限。在步骤效率方面，我们设计了一种冗余感知奖励，直接奖励以更少步骤成功完成任务，同时惩罚不可复现的捷径，有效消除冗余物理动作。在三个基准测试和三个VLA模型上的大量实验表明，PolicyTrim将动作块利用率提升了3倍，并将物理执行步骤减少了51.4%。最终，我们的框架在保证任务成功率不降低的前提下，实现了高达5.83倍的端到端部署加速。