arXiv cs.AI· Shenglan Li, Zhendong Mi, Hengyi Zhu, Jingwu Luo, Chun Kit Chan, Geng Yuan, Yanzhi Wang, Pu Zhao, Shaoyi Huang·· 6 天前AI 评分27
IG-VLA：通过内化时空想象实现高效 VLA 推理
Imagine the Future, Internalize the Gist: Efficient VLA Reasoning via Internalized Spatiotemporal Imagination
AI 导读
研究团队提出 VLA 推理框架 IG-VLA，让模型在视觉表征空间中想象任务相关的未来场景演化，并通过 Scene Gist Memory 将推理得到的场景-行为关联内化为紧凑的 Scene Gist Token，从而在推理时跳过显式未来想象。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）模型越来越多地引入中间推理来改进机器人操作，但现有方法主要对观测到的状态进行推理，而没有明确预测未来场景的演变。然而，将此类推理扩展到每次推理步骤的显式未来推演会带来大量计算开销。我们提出 IG-VLA，一个 VLA 推理框架，使模型能够想象未来并将其要点内化。我们的潜在时空推理学习直接在视觉表示空间中想象与任务相关的未来场景演变，无需昂贵的像素级视频生成即可指导动作预测。为进一步降低推理开销，我们引入场景要点记忆，将推理得到的场景-行为关联内化为紧凑的场景要点 Token，在推理时绕过显式的未来想象，同时保留未来推理的收益。在 LIBERO、LIBERO-Plus 和 VLABench 上的大量实验证明了 IG-VLA 的有效性和高效性。在 LIBERO-Plus Language 套件上，推理策略和要点策略的成功率均比最强基线高出近 6%。要点策略相比基线最高实现 6.38 倍加速，在单块 NVIDIA A6000 GPU 上将每个动作块的推理延迟从 1081ms 降至 169.5ms。这些结果表明，未来时空推理可以被有效内化，以实现高效的 VLA 部署。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）；机器人学（cs.RO） |
| 引用为： | arXiv:2610.02626 [cs.CV] |
| （或本版本的 arXiv:2610.02626v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2610.02626 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Zhendong Mi [查看邮箱]
[v1]
2026年10月2日星期五 00:31:51 UTC（3,217 KB）
[v2]
2026年10月8日星期四 13:20:13 UTC（3,217 KB）
来源：arXiv cs.AI · arxiv.org