arXiv cs.AI· Jack Lu, Yurong You, Boyi Li, Yulong Cao, Thomas Tian, Chaowei Xiao, Xiangyu Chen, Wenjie Luo, Boris Ivanovic, Marco Pavone, Yan Wang·· 3 天前AI 评分40
TacitVLA：无需推理延迟的推理型视觉-语言-动作模型
TacitVLA: Reasoning Vision-Language-Action Models Without Reasoning Latency
AI 导读
TacitVLA 是一种推理型 VLA 模型，其动作专家不会关注当前调用生成的推理文本，因为推理监督本身已改善骨干表示，从而无需等待自回归解码。在 RoboMME、RMBench、LIBERO 和 PhysicalAI-AV 四个基准上，它以最高 3.4 倍更低延迟匹配显式推理版本性能，并以最高 +17.1% 成功率匹配无推理架构的延迟。
正文 · AI 翻译
作者：Jack Lu、Yurong You、Boyi Li、Yulong Cao、Thomas Tian、Chaowei Xiao、Xiangyu Chen、Wenjie Luo、Boris Ivanovic、Marco Pavone、Yan Wang
摘要：行动前的文本推理改进了视觉-语言-行动（VLA）模型，但代价是延迟：每个以推理文本为条件的行动都必须等待自回归解码。我们表明，行动无需等待或依赖于生成的推理即可从中受益，因为推理监督已经改进了主干表示。我们提出 TacitVLA，一种推理 VLA，其行动专家从不关注它为当前调用生成的推理。在推理文本同时充当情节记忆的长时程任务中，它可以在行动执行期间生成每个条目，而不是在行动之前。我们在涵盖操作与自动驾驶、记忆与非记忆任务的四个基准上进行了受控研究评估：RoboMME、RMBench、LIBERO 和 PhysicalAI-AV。在这四个基准上，TacitVLA 在延迟最高降低 3.4 倍的情况下达到其显式推理对应模型的性能，并在与未使用推理训练的相同架构相同的延迟下，成功率最高提升 17.1%。在绝对数值上，它超越了此前在 RoboMME Counting 套件（82.7% 对 66.8%）和 RMBench（77.5% 对 56.5%）上已发表的最佳结果，并在 LIBERO-Plus 上达到 72.9%，在 PhysicalAI-AV 闭环驾驶挑战赛公开划分上达到 52.5% 的场景得分。项目页面：this https URL。
| 评论： | 项目页面：this https URL |
| 主题： | 人工智能（cs.AI）；机器人学（cs.RO） |
| 引用为： | arXiv:2610.17540 [cs.AI] |
| （或 arXiv:2610.17540v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17540 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jack Lu [查看电子邮件]
[v1]
2026年10月13日星期二 01:09:25 UTC（7,480 KB）
来源：arXiv cs.AI · arxiv.org