VLA-Rolling复用动作尾减少去噪步，16组实验提速最高1.48×
热点事件持续更新
VLA-Rolling复用动作尾减少去噪步，16组实验提速最高1.48×
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Sicheng He 等提出 VLA-Rolling 推理框架，在不改动底层 VLA 模型（保持冻结）的前提下，通过动作尾继承、逐动作置信度估计、以及基于再加噪和去噪步数分配的置信度引导精修三个阶段复用动作尾部，减少动作块推理的去噪步数。 在 π0.5、SmolVLA、X-VLA、MolmoAct2 四个模型与 LIBERO、MetaWorld、LIBERO-Plus、RoboTwin 2.0 四个基准的 16 组组合上，该框架均降低了推理成本，最高提速 1.48×；其中 14 组成功率提升，最高提高 15.08 个百分点。作者称，动作尾初始化可用更少去噪步达到或超过原生 10 步高斯基线的效果。
AI 根据报道生成 · 2 小时前更新
最新进展10月21日 12:00
VLA-Rolling：通过自适应动作复用减少去噪步数以提升控制效果报道时间线
沿着报道，了解事件的不同侧面。
10月21日
- arXiv cs.ROVLA-Rolling：通过自适应动作复用减少去噪步数以提升控制效果
VLA-Rolling 是一个轻量级推理框架，通过动作尾部继承、逐动作置信度估计以及基于再加噪和去噪步数分配的置信度引导精修三个阶段复用动作尾部，底层 VLA 模型保持冻结。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。