个人介绍：技术博客名为YUTransformer，8年AI老兵，从事NLP、大语言模型、多模态大模型等相关算法的研发和落地，拥有丰富的算法经验，先后在百度、平安、小鹏汽车从事算法落地的工作，借助平台将个人的一些算法研究和经验分享出来，一起推动技术的进步！加我vx（yx116169)入vlm/vla大模型群和llm群

-------------------------------------------------------------------------------------------------------------------------------

论文地址：https://arxiv.org/pdf/2506.01953

本篇文章研究的出发点在于解决VLA系统处理效率过慢的问题，提出了双系统方法，利用基于 VLM 的系统 2 模型处理高级推理，以及单独的系统 1 动作模型来确保实时控制。

快中慢 (FiS) 模型这是一种 VLA 基础模型，它将系统 1 的快速执行能力集成到预训练的 VLM 中，同时保留了系统 2 固有的推理能力。如图 1 所示，与之前的双系统 VLA 方法（将系统 2 与独立的策略模型连接起来作为系统 1）不同，FiS-VLA 将系统 2 的最终转换模块重新利用为一个高效的执行模块，作为系统 1 运行。在这种双系统范式下，FiS-VLA 实现了两个系统之间的无缝协作，因为它们都源自相同的基础模型，且无需改变其连接结构。由于系统 2 负责理解和推理，而系统 1 专注于快速动作执行，因此我们设计了两个系统，使其具有异构模态输入和异步工作频率。对于系统 2，它以较低的频率运行，将二维观测和语言指令处理成多模态潜在表征，以指导系统 1 的执行。对于系统 1，我们系统地研究了各种高频输入对机器人控制的影响，包括机器人状态、二维图像和三维点云。值得注意的是，由于三维几何信息对于精确操控至关重要 [28, 29]，我们采用一种快速三维嵌入策略，将点云 [30] 进行标记，并通过共享视觉编码器进行处理以提取空间特征，这些特征直接为系统 1 的几何感知交互提供条件。

FIS-VLA 利用完整的 VLM 进行系统 2 推理，同时将 LLM 的最终转换模块重新用于系统 1 的执行模块。系统 2 处理低频输入（例如 2D 图像和语言指令），并生成中间潜在特征作为系统 1 的条件信息。系统 1 并非仅仅以这些周期性更新的高级表示为条件，而是处理高频输入（包括 3D 点云、2D 图像和机器人状态），以产生稳定且响应迅速的动作。为了实现联合优化，我们引入了一种双感知协同训练策略，该策略将扩散去噪目标与自回归目标相结合，使 FiS-VLA 能够支持快速动作生成，同时保留系统 2 的多模态推理能力。

下图是在不同任务上测评的结果。