Исследователи представили метод ускорения Vision-Language-Action (VLA) моделей, основанный на кэшировании и уточнении действий. Подход позволяет оптимизировать итеративный процесс генерации траекторий в моделях на базе flow matching, значительно снижая вычислительные затраты при сохранении точности движений роботов. Технология не требует дополнительного обучения, что упрощает её внедрение в существующие агентные системы управления манипуляторами.
Современные VLA-модели часто используют итеративное шумоподавление для генерации плавных последовательностей действий, что создает «узкое горлышко» в производительности при работе в реальном времени. Предложенный метод кэширует промежуточные результаты процесса генерации и применяет алгоритмы уточнения, позволяя модели пропускать избыточные вычислительные шаги без потери качества управления.
Такой подход критически важен для автономных агентов, взаимодействующих с физическим миром, где задержка инференса напрямую влияет на безопасность и эффективность выполнения задач. Оптимизация позволяет сократить время отклика системы, сохраняя при этом способность модели учитывать мультимодальные распределения данных, характерные для сложных манипуляционных операций.
Ключевые факты
- Метод ориентирован на VLA-модели, использующие архитектуру flow matching для генерации действий.
- Технология исключает необходимость переобучения (training-free), что позволяет применять её к уже готовым весам моделей.
- Основной механизм включает кэширование действий и их последующее уточнение для сокращения итераций шумоподавления.
- Решение направлено на снижение вычислительной нагрузки при сохранении высокой точности и плавности движений роботов.