VLA-Rolling：复用动作尾部降低VLA推理成本
热点事件观察中
VLA-Rolling：复用动作尾部降低VLA推理成本
2 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
论文作者发布VLA-Rolling推理框架：在冻结底层流匹配视觉-语言-动作（VLA）模型的情况下，通过动作尾部继承、逐动作置信度估计和置信度引导的重新加噪与去噪预算分配三个阶段，复用滚动重规划中通常被丢弃的动作尾部，以减少去噪步数。作者称，该框架在π0.5、SmolVLA、X-VLA、MolmoAct2四个模型与LIBERO、MetaWorld、LIBERO-Plus、RoboTwin 2.0基准的16个组合中全部降低动作块推理成本，最高加速1.48倍，并在其中14个组合中提升成功率，最高提高15.08个百分点。 作者还称，动作尾部初始化能以更少的去噪步数达到或超过原生10步高斯基线的表现。以上结果为作者在论文中报告的实验数据。
AI 根据报道生成 · 7 小时前更新
最新进展10月20日 12:00
VLA-Rolling通过自适应复用动作尾部减少VLA去噪步骤并提升控制效果报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · cs.AIVLA-Rolling通过自适应复用动作尾部减少VLA去噪步骤并提升控制效果
VLA-Rolling提出一种面向流匹配视觉-语言-动作模型的轻量级推理框架，通过动作尾部继承、逐动作置信度估计和置信度引导的重新加噪与去噪预算分配，在冻结底层VLA的同时复用滚动重规划中被丢弃的动作尾部。
- arXiv · cs.AIVLA-Rolling：通过自适应复用动作尾部减少去噪步数并提升控制效果
VLA-Rolling在冻结底层视觉-语言-动作模型的情况下，通过复用被丢弃的动作尾部并自适应分配去噪预算，在16个模型—基准组合中全部降低动作块推理成本，最高加速1.48倍，并在14个组合中提升成功率，最高提高15.08个百分点。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 610月21日 06:00
- 近 24 小时变化
- –
0246
06:0008:0010:0012:0014:0016:0018:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。