不到一年时间，四项研究，接连登上三大顶会

——完整离散 VLA 加速体系

目录

01   PD-VLA

02   CEED-VLA

03   Unified Diffusion VLA

04   Fast-dVLA

4篇离散VLA加速论文，藏着什么"共性密码"与"差异化打法"？

都在啃"推理速度"这块硬骨头

各有各的"加速战场"

离散VLA正从"实验室频率"迈向"实时控制频率"

---

当7自由度机械臂预测单个动作块需要运行数十次前向传播时，推理频率就被卡在了5Hz以下。

倒水、折毛巾这类灵巧操作要求更高的控制频率，离散VLA的推理速度已成为实际部署的瓶颈。

来自香港科技大学（广州）的研究团队为解决这一问题，接连提出四套完整离散 VLA 加速体系，全部被顶会收录：IROS、ECCV（x2）、ICLR。

走出一条自回归并行解码、一致性蒸馏加速、多模态统一扩散、扩散模型实时优化全技术链路。

01   PD-VLA

IROS 2025：首个在解码端加速VLA推理的工作，无需训练即可实现2.52倍执行频率提升，且性能不降反升。

▲PD-VLA的网络架构

PD-VLA核心是将传统VLA自回归逐token解码模式，重构为可通过Jacobi定点迭代求解的非线性方程组，摒弃逐次前向传播的低效逻辑，通过双向注意力替换原有因果注意力，解除token预测的时序依赖，实现所有动作token同步迭代更新、并行收敛。

▲并行解码 PD-VLA 与传统自回归 VLA 解码流程对比

• 首个面向action chunking VLA的并行解码框架：

将自回归解码重构为定点迭代求解，用数学保证维持模型性能的同时消除逐token生成的效率瓶颈。

• 三重训练自由特性：

无需重新设计模型架构、无需额外训练、无需修改预训练模型，即插即用，可直接与量化、token剪枝等现有加速技术叠加。

• 解码范围最优选择：

系统对比三种解码horizon，证明全token并行解码（n=37）在固定token数量、解码速度和操作能力上全面占优。

• 揭示固定token加速现象：

发现夹爪状态等离散二值token具有"预判正确"的能力，即使在错误上下文中也能稳定收敛，为后续工作提供了重要启发。

在CALVIN基准上，执行频率从1.81Hz提升至4.56Hz（2.52×），成功率从72.0%提升至94.1%；在LIBERO-Long上达到91.7%，平均成绩94.7%。真实世界实验中，倒水任务成功率从10%提升至60%。

02   CEED-VLA

ECCV 2026：当前SOTA的VLA解码加速方案，通过一致性蒸馏训练+早退出解码策略，将离散自回归VLA速度加速至4倍，灵巧操作任务成功率大幅提升。

CEED-VLA针对PD-VLA衍生的Jacobi解码低效问题，构建了蒸馏优化+解码优化的双层加速体系

▲CEED-VLA框架

• 首先利用预训练教师模型生成完整Jacobi迭代轨迹，通过一致性蒸馏训练学生模型，使其可将任意中间迭代状态直接映射至最终定点，解决传统迭代单次仅能固定单个token的缺陷；
• 同时引入混合标签监督机制，根据教师预测与真实标签的L1距离自适应切换监督信号，杜绝蒸馏过程的误差累积；
• 最后针对Jacobi解码严格收敛、无效迭代过多的瓶颈，结合机器人任务关键状态稀疏的特性，设计早退出解码策略，适度放松收敛条件、提前终止迭代。

实验结果显示，在LIBERO基准（OpenVLA基座）上实现4.1倍加速、25.60Hz频率；在CALVIN基准（LLaVA-VLA基座）上实现2.0倍加速。真实世界实验中，倒水任务从15%提升至80%，折毛巾从5%提升至75%，平均成功率从33.25%提升至77.50%。

不改变骨干网络架构，不添加辅助组件，无额外GPU内存开销，在LLaVA-VLA和OpenVLA两种基座上均有效。

03   Unified Diffusion VLA

ICLR 2026：首个统一多模态生成的扩散VLA，通过联合离散去噪过程让视觉预测和动作生成实现协同优化，在三个基准上全面SOTA且推理速度比自回归快4.3倍。

▲统一扩散视觉动作模型 UD-VLA 整体框架总览图

UD-VLA跳出自回归解码范式，构建全新的多模态协同生成框架。

▲实物机器人实验平台、物体数据集与背景划分设置一览

• 联合离散去噪扩散过程（JD3P）：

首次将图像生成和动作预测统一到单一去噪轨迹中，动作在视觉去噪的持续引导下迭代精炼，实现真正的协同优化而非简单多任务拼接。

• 混合注意力机制：

模态内双向+跨模态因果的混合策略，既保证各模态内部的充分交互，又维持"视觉引导动作"的因果结构，消融实验证明该设计使CALVIN平均长度从4.04提升至4.64。

• 统一token空间与两阶段训练：

将语言、视觉、动作统一为离散token，通过后训练注入视觉生成能力，再联合训练激活跨模态协同，无需外部编码器/解码器。

• 推理时优化技术组合：

Prefix KV Cache、置信度引导解码（余弦mask调度+TopK选择）、解码空间映射三项技术协同，确保4.3倍加速下的高性能。

实验证明，CALVIN平均长度4.64（SOTA），LIBERO平均92.7%，SimplerEnv总体62.5%（SOTA），推理速度219.3 tokens/s（比自回归快4.3倍）。

在SimplerEnv的Stack Block任务中比具备3D感知的SpatialVLA高出24.9个百分点。

04   Fast-dVLA

ECCV 2026：首个Diffusion VLA加速方案，通过块级扩散+流水线并行解码将离散VLA效率提升至30Hz实时水平，为实际部署打下基础。

▲四种离散解码范式的机制与性能对比（含Fast-dVLA 方案）

Fast-dVLA针对扩散VLA推理速度不足、难以实时部署的问题：

• 首先挖掘出双向扩散VLA隐含的从左到右块级自回归解码特性，据此改造全局双向注意力为块级因果注意力，让已完成解码的动作块实现KV缓存复用，减少重复计算；
• 同时引入扩散强制机制，为不同动作块分配差异化噪声水平，实现前后动作块的并行去噪迭代，打破传统解码的时序束缚；
• 训练阶段采用非对称蒸馏策略，将高精度双向教师模型的能力迁移至高效块级学生模型，大幅降低训练收敛成本；
• 推理时搭载双状态流水线解码机制，平衡解码置信度与推理速度。

在LIBERO上对DDVLA基座实现4.1倍加速（402.7 tokens/s），成功率保持96.6%；

在CALVIN上对UD-VLA实现2.8倍加速；在SimplerEnv上达到366.4 tokens/s。

真实世界双臂平台所有任务一致维持30Hz执行频率，传送带抓取效率接近基线2倍。

4篇离散VLA加速论文，藏着什么"共性密码"与"差异化打法"？

都在啃"推理速度"这块硬骨头

• 痛点瞄准真需求：

四篇研究全部聚焦"VLA推理太慢导致无法实时控制"这个部署核心瓶颈。从2.52倍到4倍再到30Hz，每一步都在往"能用"的方向推。

• 并行解码成主线：

从PD-VLA的Jacobi并行到CEED-VLA的一致性蒸馏加速并行，从UD-VLA的联合扩散并行到Fast-dVLA的块间流水线并行，"并行"是贯穿四篇论文的核心加速手段。

• 不牺牲性能为底线：

四篇研究在加速的同时均保持甚至提升了任务成功率，没有一个靠牺牲精度换速度。PD-VLA甚至出现了加速后性能反升的现象（72%→94%）。

各有各的"加速战场"

离散VLA正从"实验室频率"迈向"实时控制频率"

四篇论文的核心都是让离散VLA从"能跑"变成"能高频跑、能实时跑"。

从PD-VLA的4.56Hz到Fast-dVLA的30Hz，不到一年时间，离散VLA的推理频率提升了一个数量级。

这说明离散VLA的效率瓶颈并非不可逾越，关键在于找到正确的解码结构和加速策略。

后续值得关注的方向：

扩散VLA与更高效token化方案（如FAST）的结合是否能进一步突破频率上限；以及在embodied chain-of-thought等需要大量中间推理token的场景中，这些加速技术能否同样奏效。

Ref

1. PD-VLA: Accelerating Vision-Language-Action Model Integrated with Action Chunking via Parallel Decoding（IROS 2025）

2. CEED-VLA: Consistency Vision-Language-Action Model with Early-Exit Decoding（ECCV 2026）

3. Unified Diffusion VLA: Vision-Language-Action Model via Joint Discrete Denoising Diffusion Process（ICLR 2026）

4. Fast-dVLA: Accelerating Discrete Diffusion VLA to Real-Time Performance（ECCV 2026）