英伟达等重新设计VLA推理!机器人动作提速3.4倍

2026.11.08 · 收录日 2026.11.08 · 事件 · 论文 · 论文预印本

新方法TacitVLA让动作不再等待推理文本,成功率不降、延迟最多降3.4倍。

英伟达、纽约大学等团队提出 TacitVLA,训练时照常写推理文本,但通过 attention mask 让 action expert 看不到推理 token,动作无需等待文本生成。在机器人操作和自动驾驶四个 benchmark 上,成功率与显式推理相当,延迟最多降低 3.4 倍;RMBench 提升 21 个百分点,RoboMME 计数任务提升 16 个百分点。

  • 推理文本最多占单次模型调用耗时的 70%,动作必须等文本写完才能开始。
  • TacitVLA 保留“训练时学写推理”和“长程记忆”两种作用,去掉部署时读取推理这一步。
  • 在 LIBERO 上单张 H100 输出一个动作需 147 ms,Explicit Reasoning 需 495 ms,相差 3.4 倍。
  • RMBench 平均成功率 77.5%,此前已发表最好结果为 56.5%;Press Button 任务从 7.7% 提升到 74.3%。
  • RoboMME 计数任务达 82.7%,此前最好为 66.8%;只用计数任务训练时达 89.5%,高于人类参考成绩 88.5%。

为什么值得看

推理 VLA 的延迟瓶颈被拆解,训练收益可保留而部署开销可去掉。

适合谁关注

机器人、自动驾驶与 VLA 模型方向的研究者和工程师。

原始来源

查看收录日 2026.11.08 全部卡片 · 全部卡片归档