VLA-Rolling 框架透過自適應動作重用提升控制效率
ZJU-OmniAI 提出 VLA-Rolling，利用未執行的動作尾端作為初始化狀態，在保持模型凍結的情況下減少去噪步驟，於 16 組模型與基準測試中均降低推理成本。
本文重點
- ZJU-OmniAI 提出 VLA-Rolling 框架，利用未執行的動作尾端作為初始化狀態。
- 在 16 組模型與基準測試中，該方法最高可實現 1.48 倍加速。
- 底層 VLA 模型保持凍結狀態，無需重新訓練即可降低推理成本。
- 本站上線
- 2026/10/26 上午03:18
- 首次報導
- 2026/10/18 上午08:00
- 最早來源發布
- 2026/10/18 上午08:00
研究在做什麼
ZJU-OmniAI 研究團隊針對基於流匹配（Flow-matching，一種生成模型技術）的視覺語言動作（VLA，Vision-Language-Action，結合視覺、語言與動作控制的模型）模型進行優化。這類模型通常透過迭代去噪高斯雜訊來生成動作區塊（action chunk，模型一次預測出的一連串連續動作序列），但在執行一小段前綴後便會根據更新後的觀測值重新規劃。在這種滾動時域（receding-horizon，一種將長任務切分為多個短時間區間、每個區間結束後根據最新狀態重新規劃的控制策略）範式下，未執行的剩餘部分（即動作尾端）通常被丟棄，下一個區塊則從全新的雜訊重新生成。研究指出，這些被丟棄的尾端保留了可轉移的去噪進度，若能妥善利用，有望以更少的去噪步驟達到或超越原生基線的表現。 Hugging Face 每日精選論文
方法
研究提出 VLA-Rolling，這是一個輕量級的推理框架，其核心在於透過三個階段重用動作尾端，且底層 VLA 模型保持凍結狀態。這三個階段分別是：動作尾端繼承、每個動作的信心估計，以及透過重新加噪與去噪預算分配來進行信心引導的細化。由於不同樣本的最佳去噪預算差異很大，該框架會根據更新後的環境自適應地調整尾端重用策略。 Hugging Face 每日精選論文
結果
在 π_{0.5}、SmolVLA、X-VLA 和 MolmoAct2 這四個模型於 LIBERO、MetaWorld、LIBERO-Plus 和 RoboTwin 2.0 四個基準測試的 16 組模型與基準配對中，VLA-Rolling 均降低了動作區塊的推理成本。實驗結果顯示，該方法最高可實現 1.48 倍的加速，並在 14 組配對中將成功率提升了最高 15.08 個百分點。這些結果證明動作尾端不僅僅是被丟棄的預測，而是可重用的中間狀態，能實現更高效且準確的 VLA 推理。 Hugging Face 每日精選論文
程式碼與資料
本站 2026-10-26 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：
- 研究機構（Hugging Face 標示）：ZJU-OmniAI
- 程式碼：ZJU-OmniAI/VLA-Rolling｜13 顆星｜最後更新 2026-10-21｜授權 未標示
- 專案網頁：https://chenbao123ww.github.io/VLA-Rolling/
- 公開模型：Chenbao77/VLA-Rolling
來源：佐證 1 筆
媒體轉述新聞媒體的報導
- Hugging Face 每日精選論文 · VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse10/18 上午08:00
這篇對你有用嗎？
登入會員後可以按反應與留言。登入
留言 0
- 還沒有留言。
留言公開顯示暱稱，不顯示你的真實姓名與信箱。含多個連結或疑似廣告的留言會先經編輯確認；檢舉達 3 次的留言會自動隱藏。隱私政策
發現錯誤？
回報會進入待處理清單；核實後更正，並在文中註記更正紀錄。