VLA-ZO：面向视觉-语言-动作模型的快速零阶适配框架

VLA-ZO 是一个面向视觉-语言-动作（VLA）模型的快速零阶适配框架，通过利用 VLA 计算结构来减少零阶优化所需的扰动查询次数。传统一阶适配会超出面向推理的部署平台内存预算，而零阶优化虽只需前向计算、内存开销与推理相当，但朴素方法对大型 VLA 模型过慢。