让 VLA 跑得上、跑得动、跑得快：五篇轻量化与实时化工作全景解读

文章摘要

视觉-语言-动作（VLA）模型正在从"云端大模型"走向"机器人本体"。本文系统解读 2026 年五篇代表性的高效 VLA 工作，它们分别从不同层面回答同一个问题——如何让 VLA 在消费级/嵌入式硬件上实时运行：

• TurboVLA（模型架构层）：砍掉 LLM 中枢，0.2B 参数在 RTX 4090 上跑到 32 Hz、显存 <1 GB；
• CoTinyVLA（训练监督层）：用 CoT 蒸馏代替堆参数，0.9B 模型在 LIBERO-Plus 上反超最强 7B 基线 4.7~15.9 分；
• vla.cpp（推理引擎层）：基于 llama.cpp 的 C++ 运行时，一个二进制服务 7 种 VLA 架构，从 RTX 3060 跑到 8 GB 的 Jetson Orin Nano；
• Reflex（系统调度层，ICML 2026）：流式推理框架，50 Hz 稳定输出、推理加速 2.58×、峰值显存省 27%；
• Evo-Depth（感知增强层）：0.9B 隐式深度增强策略，真机 90% 成功率、3.2 GB 显存 / 12.3 Hz。

阅读本文你将获得：五篇工作的核心思路与框架拆解、关键数据对比表、开源资源清单，以及一份"按场景选型"的实用指南。

关键词：VLA、具身智能、实时推理、流式推理、模型轻量化、边缘部署、GGUF、Flow Matching

---

目录

• 一、汇总分析：五条技术路线，一个共同目标
• 二、TurboVLA：去掉 LLM 的 V+L→A 直连范式
• 三、CoTinyVLA：用结构化监督代替堆参数
• 四、vla.cpp：一个 C++ 运行时统一七种 VLA
• 五、Reflex：把 Flow Matching VLA 变成流式系统
• 六、Evo-Depth：给轻量 VLA 补上"空间感"
• 七、总结与选型建议

---

一、汇总分析：五条技术路线，一个共同目标

1.1 全局思维导图

1.2 核心思路一句话总结

工作	层面	一句话思路
TurboVLA	模型架构	做减法：动作预测不必经过 LLM，视觉与语言特征直接双向交互后一次解码出动作块
CoTinyVLA	训练监督	做蒸馏：把 35B 教师的推理链（Plan/Think）蒸馏进 0.9B 学生，用监督结构换鲁棒性
vla.cpp	推理引擎	做移植：把 Python/PyTorch 技术栈编译成自包含 GGUF，无 Python 依赖跑在嵌入式板上
Reflex	系统调度	做流水：感知编码与动作去噪解耦成异步双流，KV 缓存三分区实现 O(1) 增量更新
Evo-Depth	感知增强	做加法（轻量的）：从多视角 RGB 提取隐式深度，以 FiLM 调制方式注入空间信息

1.3 关键指标对比表

⚠️ 注意：各工作的评测基准与硬件不同，下表用于感知量级，不能直接横向判优劣。

维度	TurboVLA	CoTinyVLA	vla.cpp	Reflex	Evo-Depth
性质	新模型架构	小模型+训练方法	推理引擎（服务 7 种架构）	推理系统（不改模型）	新模型架构
参数量	0.2B	0.9B	0.45B~3B（被服务模型）	π0.5 / π0 / SmolVLA	0.9B
旗舰指标	LIBERO 平均 97.7%	LIBERO-Plus 平均 86.4%（超 7B 基线）	SmolVLA 较 PyTorch 7.95× 加速	50 Hz 流式、加速 2.58×	LIBERO 95.4%、真机 90%
延迟/频率	31.2 ms（32 Hz）	稳态 1.37 s / 8 步 chunk	Orin Nano 上 84.76~458.84 ms/步	推理 135.2→52.4 ms	12.3 Hz
显存	0.9 GB（RTX 4090）	2.25 GiB 峰值（L40S）	BitVLA 1.3 GiB 100% 成功	峰值 VRAM 省 27%（LIBERO）	3.2 GB（RTX 4090D）
目标硬件	消费级 GPU	单卡 GPU	RTX 3060 → AGX Orin → Orin Nano	RTX 4090 + AgileX PiPer	RTX 4090D + xArm6
开源程度	代码+权重+训练	代码+权重+评测管线	代码+Demo+基准脚手架	代码（GitHub）	代码+权重+训练脚本

1.4 统一视角：它们其实在解决同一个控制环路的不同段

【重点】五篇工作互不冲突、可以叠加：你完全可以用 TurboVLA 的架构、CoTinyVLA 的蒸馏数据、Reflex 的流式调度，最后部署在 vla.cpp 上。这正是"高效 VLA"赛道 2026 年的图景——架构、数据、系统、引擎四条线同时收敛。

---

二、TurboVLA：去掉 LLM 的 V+L→A 直连范式

2.1 简介

项目	内容
论文	TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM（arXiv:2607.27205，2026.07）
团队	华中科技大学 H-EmbodVis + 华为
代码	https://github.com/H-EmbodVis/TurboVLA
权重	Hugging Face H-EmbodVis/TurboVLA
项目主页	https://H-EmbodVis.github.io/TurboVLA

一句话：TurboVLA 对主流 VLA 做了一次"范式手术"——既然执行层的任务指令已经明确，每次动作预测为什么还要跑一遍大语言模型？

2.2 要解决的问题

主流 VLA（OpenVLA、π0 等）采用 V→L→A 通路：视觉特征先投影到 LLM 的词向量空间，与指令 token 拼接后一起过 LLM，再解码成动作。LLM 在这里是感知与动作之间的"中央接口"，但每次策略调用都要付出十亿参数级的计算与显存代价。

2.3 思路流程与框架

TurboVLA 把通路重构为 V+L→A 直接映射。官方框架图（论文 Figure 3）：

图：左为 V+L→A 总体管线——DINOv3 视觉特征与 BERT 指令特征经双向交互模块融合后，由 ACT 式解码器单次前向输出动作块；右为双向视觉-语言交互模块的层结构。

用 mermaid 重绘的数据流如下：

【重点】三个关键设计：

1. 轻量双向交互替代 LLM：N=6 层堆叠的双向交叉注意力——视觉特征"查询"指令定位目标，指令特征"查询"场景完成接地（grounding）。消融显示层数从 2→6 成功率从 93.5% 稳步升至 97.7%，N=8 反而略降（96.6%）；
2. 非自回归并行解码：ACT 风格解码器用 H 个可学习 action query 一次前向输出整个动作块，无动作 token 化、无逐词生成；动作视界 H=12 最优（H=8 时 96.4%，H=15 时降至 95.6%）；
3. 训练极简：纯行为克隆 + L1 损失，无需任何辅助语言建模目标。

2.4 实验结果

【重点】LIBERO 基准：仅 0.2B 参数（约为 π0.5 的 6%），平均成功率 97.7%，匹配甚至超越参数量大一个数量级的 VLA 系统。

【重点】效率（RTX 4090）：

指标	数值
端到端策略延迟	31.2 ms（≈32 Hz 在线动作预测）
推理显存	0.9 GB（<1 GB）
参数量	0.2B

此外在 RoboTwin 双臂任务与真机任务（叠碗、抓取滚筒等）上保持有效。依赖的外部资产：DINOv3（LIBERO 用 ViT-B，RoboTwin 用 ViT-L）、BERT-base、GroundingDINO Swin-T。

2.5 开源使用说明

git clone https://github.com/H-EmbodVis/TurboVLA.git
cd TurboVLA
# LIBERO 与 RoboTwin 建议分开建 Python 3.10 环境
pip install torch==2.3.1 torchvision==0.18.1 --index-url https://download.pytorch.org/whl/cu121
pip install -e ".[libero]"
# 下载官方权重
hf download H-EmbodVis/TurboVLA --local-dir pretrained/TurboVLA

一条命令即可在指定 suite 上评测（experiments/libero/evaluate.py，支持 bf16）。TODO 列表中还包括对华为昇腾 NPU 的支持。

2.6 亮点与局限

• ✅ 亮点：证明了执行级控制不必以 LLM 为中心；参数/显存/延迟三项同时降一个数量级而性能不降；设计简单、可复现性强。
• ⚠️ 局限：放弃了 LLM 的开放世界知识与推理能力，对长尾语义指令、需要多步推理的任务可能受限——这恰好是下一篇 CoTinyVLA 想补的东西。

---

三、CoTinyVLA：用结构化监督代替堆参数

3.1 简介

项目	内容
论文	CoTinyVLA: Chain-of-Thought Distillation for a Sub-Billion-Parameter Vision-Language-Action Model（arXiv:2607.25487，2026.07）
代码	https://github.com/BrainJellyPie/CoTinyVLA
权重	Hugging Face euphoria-64/CoTinyVLA-Qwen3.5-0.8B
骨干	Qwen3.5-0.8B

一句话：LIBERO-Plus 鲁棒性榜单上的领先者都在用 3B~7B 骨干，CoTinyVLA 证明把监督信号结构化，0.9B 也能反超。

3.2 思路流程与框架

官方框架图（论文 Figure 1）：

图：四阶段管线——多模态输入装配（双视角 16 帧历史 + 相机/时间文本标记）→ 层级 CoT（回合级 Plan + 块级 Think）→ 视觉-语言推理与本体投影 → 动作头输出 8 步 chunk。

三大组件的思维导图：

三个组件分别瞄准不同的问题轴：时序输入解决"看不清物理状态"，CoT 蒸馏解决"不会推理"，复述增广解决"听不懂换一种说法"。推理时流程为：观测 → 生成 Plan/Think 推理 span → 视觉-语言推理 → 本体投影器 → 动作头输出 8 步 chunk。

3.3 实验结果

【重点】LIBERO-Plus（10,030 个扰动任务、7 个扰动维度、每任务 1 次 rollout）：

模型	参数	Spatial	Object	Goal	Long	平均
π0	3.3B	60.7	61.4	44.9	48.4	53.9
OpenVLA-OFT	7B	84.0	66.5	63.0	66.4	70.0
OpenVLA-OFT+	7B	86.1	84.5	70.7	77.7	79.8
CoTinyVLA	0.9B	90.8	87.3	86.6	80.7	86.4

四个套件分别领先最强 7B 基线 +4.7 / +2.8 / +15.9 / +3.0 分，且所有置信区间不含零。参数量只有对手的约 1/8。在标准 LIBERO 上平均 97.5%，与最强 7B 持平、比最强亚十亿参数基线高 2.7 分。

【重点】最硬的增益在"机器人初始状态"扰动上：11 个已发布基线在该维度没有任何一个超过 53.2%，而 CoTinyVLA 在 Goal 套件达到 73.6%（最强基线仅 39.9%）——时序帧输入 + CoT 的组合显著改善了物理状态感知。

闭环推理画像（L40S，每卡 3 路并发 rollout）：

属性	数值
峰值显存	2.25 GiB
回合初始延迟	2.76 s
稳态延迟	1.37 s / 8 步 chunk
每 chunk 推理 token	26 个
Plan 缓存收益	稳态延迟 -48.5%，推理 token -63.2%（成功率不变）

测试时干预实验（权重冻结，只改输入）非常有说服力：把 Plan 换成空白/矛盾文本，成功率掉 40~45 分；移除推理 span 直接归零；而礼貌前缀、训练集复述零影响——说明性能确实由"推理内容"支撑，而非语言风格。

3.4 开源使用说明

仓库提供完整管线：数据转换（convert_libero_plus.py）→ 推理标签生成（vLLM + Qwen3.5-35B-A3B-GPTQ-Int4 教师）→ 训练（torchrun 8 卡，--lm_loss_weight 0.1）→ 推理与多 GPU 动态评测（SQLite 队列分配任务、断点续评）。评测代码把 LIBERO-Plus 挂为 libero_plus.libero 独立命名空间，可与标准 LIBERO 共存于同一环境。

3.5 亮点与局限

• ✅ 亮点：提出"监督结构 > 参数规模"的强证据；干预实验严谨地证明了推理链是承重墙而非装饰；2.25 GiB 峰值显存对嵌入式部署友好。
• ⚠️ 局限：稳态 1.37 s/chunk 的延迟尚谈不上"实时"；训练依赖 35B 教师生成监督，数据管线成本不低。

---

四、vla.cpp：一个 C++ 运行时统一七种 VLA

4.1 简介

项目	内容
论文	vla.cpp: A Unified Inference Runtime for Vision-Language-Action Models（arXiv:2606.08094，2026.06）
团队	VinRobotics、TU Darmstadt、马普智能系统研究所、斯图加特大学、DFKI 等
项目页/Demo	https://fai-modelopt-tech.github.io/vla-cpp.github.io/
生态	构建于 llama.cpp / ggml 之上，Hugging Face vrfai（VinRobotics）

一句话：VLA 策略几乎都以"假设工作站级 GPU 的 Python/PyTorch 技术栈"发布，而机器人本体通常是 8 GB 统一内存的 Jetson——vla.cpp 填的就是这个部署鸿沟。

4.2 思路流程与框架

【重点】它是首个原生支持 flow-matching/扩散 VLA 推理模式的 ggml 类引擎：缓存的视觉-语言前缀（prefix）被交叉注意力的动作专家在多个求解器步上反复消费。一个二进制、一套请求/响应协议、一种 bundle 格式，服务 7 种架构、5 种骨干、4 类动作头：

模型	视觉骨干	语言骨干	动作头	参数	求解步数 T
SmolVLA	SigLIP-So400m	SmolLM2-360M	FM 交叉注意力专家	450M	10
Evo-1	InternViT-300M	Qwen2.5-0.5B	交叉注意力 DiT	770M	32
BitVLA	BitSigLIP-L	BitNet-2B	MLP 回归（单趟无循环）	2.4B	–
π0	SigLIP-So400m	Gemma-2B	FM 联合注意力专家	3B	10
GR00T-N1.5/1.6	SigLIP2-400M	Qwen3-1.7B	AltVL DiT	3B	4
GR00T-N1.7	Qwen3-VL ViT	Qwen3-VL	AltVL DiT	3B	4

官方系统架构图（论文 Figure 1）：

图：无状态 C++ 服务器加载一个 GGUF bundle，对每条 Protobuf 观测执行 VLA 推理，经 ZeroMQ 返回反归一化的动作块；轻量 Python 客户端持有闭环控制，可驱动模拟器或真实机器人。

用 mermaid 重绘如下：

从 VLM 运行时到 VLA 运行时要补四个缺口（论文 Appendix A）：暴露 LM 完整隐状态作交叉注意力源、前缀用双向掩码编码、显式的跨注意力缓存生命周期、以及用模型自带统计量反归一化动作——每一项都是"静默出错"的高发区。

4.3 实验结果

行为保真：LIBERO-Object 全套件（10 任务 × 20 回合 = 200 回合/架构），七种架构均复现参考 checkpoint 行为，差距在一个回合以内；BitVLA 200/200 满分，常驻内存仅 1.3 GiB。

【重点】对 PyTorch 参考实现的加速（同权重、同 BF16、同模拟器）：

• SmolVLA：每环境步 28.16 ms vs 223.96 ms = 7.95× 加速，峰值显存基本持平（1410 vs 1406 MiB）——PyTorch eager 的主机端 kernel 发射开销让算力大量空转，vla.cpp 继承 llama.cpp 的静态图一次捕获、逐次回放；
• 跨硬件每步延迟（ms）与 8 GB Orin Nano 峰值 RSS：

模型	RTX 3060	AGX Orin	Orin Nano	Nano 峰值 RSS
SmolVLA	28.16	65.41	141.81	2031 MiB
BitVLA	37.85	101.11	355.65	2199 MiB
Evo-1	63.60	131.01	458.84	2135 MiB
GR00T-N1.5	14.17	28.78	84.76†	5975 MiB
π0	9.74	27.90	39.10†	6068 MiB
GR00T-N1.6/1.7	~10.3	~26.8	装不下	—

† 模拟器需卸载到另一台机器。【重点】8 GB 模块上 7 个架构只有 5 个能加载——决定能否部署的是显存容量而非延迟。

Roofline 洞见：batch-1 VLA 前向由高算力强度的视觉-语言前缀主导（compute-bound），低 token 数的动作专家是 memory-bound；因此部署杠杆是算力利用率 + 内存容量，而不是带宽。据此把 BitVLA 的三元 W2A8 矩阵乘从 dp4a（CUDA 核）迁到 IMMA 张量核：RTX 3060 每步 172.8→37.85 ms（4.6×）、AGX Orin 406.6→101.11 ms（4.0×），输出逐比特一致、成功率不变。

真机压力测试（ALOHA 臂 + GR00T-N1.6）：同 checkpoint 同模块，vla.cpp 每 chunk 推理 ≈470 ms vs PyTorch ≈620 ms，闭环成功率 87.5% vs 40.0%（95% Wilson 区间不重叠）——每次重规划的观测新鲜约 150 ms，优势在长程任务上复利。

一个值得所有部署者警惕的发现：视觉塔的位置编码索引在 FP32/FP16 下舍入不同，会选错几乎每个 patch 的嵌入行，动作块偏移最高 ≈1.97（归一化单位，约 2σ，集中在夹爪通道）——任务直接失败且无任何报错；flow matching 的多步积分会把扰动放大而非抵消。vla.cpp 的对策是构建期逐块数值对齐门禁（fail-loud）。

4.4 开源使用说明

每个模型打包为自包含 GGUF bundle（语言模型+动作头+归一化统计+架构配置，视觉编码器内嵌或以 mmproj 伴随文件提供）；服务端无状态、C++ 常驻加载，客户端 Python 负责闭环控制，ZeroMQ+Protobuf 传输，同一引擎不改代码驱动模拟器或真实机器人。当前支持 CUDA 与 CPU 后端，结构上可扩展至移动 NPU。

4.5 亮点与局限

• ✅ 亮点：第一个把 7 种异构 VLA 收进单一自包含二进制的运行时；"compute-bound 前缀 / memory-bound 专家"的测量结论与 IMMA 核增益有普适指导意义；数值对齐门禁是工程教科书级实践。
• ⚠️ 局限：无动态权重换入换出机制，大模型在 8 GB Nano 上仍装不下；原生低比特量化目前仅覆盖 BitVLA 的三元配置。

---

五、Reflex：把 Flow Matching VLA 变成流式系统

5.1 简介

项目	内容
论文	Reflex: Real-Time VLA Control through Streaming Inference（ICML 2026，arXiv:2607.14695）
团队	北京邮电大学计算机学院
代码	https://github.com/9yc/Reflex
验证模型	π0.5（2.3B）、π0（3.1B）、SmolVLA（500M）

一句话：瓶颈不在于单次推理多慢，而在于同步等待让机器人停下来思考——Reflex 不重训模型，而是把整个服务环路重构为异步流式架构。

5.2 要解决的问题

Flow matching VLA 的迭代去噪与实时控制存在根本冲突：全局时间步注入使 KV 缓存失效——去噪步 k 变了，所有层的内部状态都跟着变，缓存立即作废，只能在"慢到不可用的 O(N²) 重算"和"数学上错误的缓存复用"之间二选一。论文实测朴素 KV 缓存会产生 MSE>1.0 的灾难性误差和任务全败。

5.3 思路流程与框架

核心洞察是 Timestep-Invariance Property（时间步不变性）：感知编码器在功能上独立于去噪循环（∂Enc/∂t_k=0）。官方系统架构图（论文 Figure 3）：

图：视觉流（10–30 Hz）持续编码观测写入三分区环形缓冲区；策略流（50 Hz）经未来状态预测器、动作专家（AdaRMSNorm）与 Flow Matching 去噪器输出动作块；两流异步交换 KV。

据此 Reflex 有三大组件：

1. 分区注意力（Partitioned Attention）——正确性：上下文切成静态前缀/滑动历史/动态后缀三区，只有动态后缀每个去噪步需要重算，实现 O(1) 增量缓存更新；在固定观测窗口与固定输入下输出与全批注意力完全等价（实测 MSE=0.00，附录给出证明）。配套"手动缓存合并"：进入去噪循环前把前缀与历史合并为连续显存，消除高频循环里的 torch.cat 分配；
2. AdaRMSNorm——稳定性：50 Hz 连续运行让模型接触高方差初始噪声的频率是离线训练的 50 倍，标准 BFloat16 RMSNorm 在 120~220 步后数值崩溃。AdaRMSNorm 用 FP32 计算 RMS 统计 + BF16 门控 MLP（以 flow 相位与本体状态为条件），代价远低于全 FP32 归一化，实现 >2000 步无 NaN/Inf 的无限时域流式推理；
3. 异步流水线——吞吐：视觉线程做"生产者"持续编码推 KV，策略线程做"消费者"查询最新缓存生成动作；未来状态预测用最近一次指令动作近似未来状态（ŝ_{t+Δ}≈a_t^cmd，100 ms 前瞻内末端偏差 ❤️ cm）；自适应重叠调度按实测延迟动态调整提前量 K。底层再配合算子融合（QKV 打包、SwiGLU Gate+Up 合并、FlashNorm、FusedAdaLN，每层 kernel 发射减半、动作专家前向延迟 -18%）与静态环形缓冲区（24/7 运行零动态分配）。

5.4 实验结果

【重点】效率（RTX 4090，上下文窗口 K=10）：

指标	数值
推理加速（π0.5, LIBERO）	135.2 ms → 52.4 ms（2.58×）
推理加速（π0, 3.1B）	2.73×（规模越大收益越大）
推理加速（SmolVLA 500M）	2.29×（架构无关）
峰值 VRAM	LIBERO -27%、Kinetix -24%（内存占用变平）
反应延迟	最高 -54%（151.9→82.5 ms）
停顿率	同步基线 100% → 0%
控制频率	稳定 50 Hz 流式

任务性能：LIBERO 与同步基线持平（Long 套件 +3.6%/+4.0%）；动态物理基准 Kinetix 上 +7.4%（π0.5）/ +6.7%（π0）——低延迟在动态场景直接转化为成功率。真机 AgileX PiPer 三任务 180 回合：成功率 +11/+14/+17 pp，反应延迟 101~110 ms、0% 停顿。

5.5 开源使用说明

代码位于 GitHub 9yc/Reflex。实现要点（附录 B/C）：StreamingInputManager 管理缓存逐出与位置 ID；环形缓冲区在模型加载时一次性预分配；AdaRMSNorm 的门控 MLP 为单隐层 SiLU 结构；评测协议为 LIBERO 每套件 10 任务 × 50 回合、Kinetix 每任务 100 回合，延迟报 95 分位。

5.6 亮点与局限

• ✅ 亮点：把"加速单个推理步"的范式升级为"流式异步执行"；分区注意力的等价性有证明且实测 MSE=0；AdaRMSNorm 揭示了无限时域部署独有的数值稳定性问题；纯系统侧改造，不重训、不掉点。
• ⚠️ 局限：仅适用于感知编码器时间步不变的架构（统一 DiT 式、时间步进入视觉编码器的模型不在范围内）；未来状态预测是一阶近似启发式，非学习模型。

---

六、Evo-Depth：给轻量 VLA 补上"空间感"

6.1 简介

项目	内容
论文	Evo-Depth: A Lightweight Depth-Enhanced Vision-Language-Action Model（arXiv:2605.14950，2026.05）
团队	上海交通大学 MINT 实验室（Evo-1 同团队）
代码	https://github.com/MINT-SJTU/Evo-Depth
权重	HF：MINT-SJTU/EVO-Depth-LIBERO、EVO-Depth-MetaWorld、EVO-Depth-Arena

一句话：纯 2D 的 VLA 在精确定位、精细放置、遮挡判断上成功率显著下滑；显式 3D 方案依赖深度传感器且对标定敏感——Evo-Depth 走中间路线：从多视角 RGB 隐式学深度，不加任何硬件。

6.2 思路流程与框架

官方架构图（仓库 Evo_depth/assets/model_overview.png，已本地化）：

图：上半部分为模型架构——IDEM 提取隐式深度、SEM 以 FiLM 调制视觉-语言表征、Flow-Matching 动作专家输出动作块；下半部分为三阶段渐进对齐训练策略。

用 mermaid 重绘的数据流如下：

【重点】三个设计决策：

1. IDEM（隐式深度编码模块）：约 0.13B 的轻量 ViT，从多视角 RGB 提取紧凑深度特征，以 Depth Anything 3 的多视角深度预训练初始化——强调空间布局与相对几何关系，不生成高成本的显式 3D 中间表示；
2. SEM（空间增强模块）：把深度特征作为 FiLM 调制信号（Ẑ=γ⊙Z+β）注入视觉-语言表征，而非对称拼接。消融证明：拼接（Concat）明显最差，交叉注意力与 SEM 接近，SEM 最好——调制式注入既保留 2D 表征的主导地位，又补进空间信号；
3. 渐进对齐训练（三阶段）：Stage 1 只训 SEM+动作专家（冻骨干与 IDEM）→ Stage 2 解冻 IDEM 做空间对齐 → Stage 3 全模块端到端联合优化。消融显示三阶段 > 两阶段 > 单阶段，渐进对齐显著优于直接联合训练。

6.3 实验结果

仿真（0.9B 参数）：

基准	成绩	说明
Meta-World MT50	84.4%	SOTA，medium/hard/very hard 各难度档均最佳
LIBERO	95.4%	各套件均衡
LIBERO-Plus	69.6%	多扰动维度稳健
VLA-Arena	41.1%	干扰物与长程设定表现突出

真机（xArm6，三任务：放橙子、存网球、叠杯子）：平均成功率 90% 为对比方法最高，同时模型最小、显存最低（3.2 GB）、推理频率最高（12.3 Hz）（RTX 4090D 平台）。四类扰动泛化实验中全面优于基线，位置扰动与精细物体交互场景优势最大。去除 IDEM 的消融在 camera/robot/layout 三个维度掉点最明显——印证隐式深度对视角变化、本体变化、物体排布的鲁棒性贡献。

6.4 开源使用说明

仓库提供统一的 websocket 推理服务器（默认端口 9000）+ LIBERO / LIBERO-Plus / MetaWorld MT50 / VLA-Arena 四套评测客户端；预训练权重按基准分三个 HF 仓库发布；训练侧支持 LeRobot v2.1 格式自定义数据，train.sh 内置完整三阶段渐进对齐配方（Accelerate + DeepSpeed 多卡）。

6.5 亮点与局限

• ✅ 亮点：在"无 3D 硬件"与"重 3D 表征"之间找到实用甜点；部署指标（3.2 GB / 12.3 Hz）与成功率同时公开，工程参考价值高；消融完整（模块、训练阶段、融合策略三组）。
• ⚠️ 局限：12.3 Hz 离高动态任务还有距离；三阶段训练管线比单阶段复杂，复现成本略高。

---

七、总结与选型建议

7.1 全文思维导图

7.2 结语

五篇工作共同勾勒出 2026 年 VLA 工程化的清晰脉络：

1. 架构上，"LLM 是否必须是动作执行的中枢"开始被认真质疑——TurboVLA 的 V+L→A 直连证明执行层可以非常轻；
2. 监督上，参数规模不再是鲁棒性的唯一来源——CoTinyVLA 用结构化的推理链监督把 0.9B 推过 7B；
3. 系统上，"停下思考再行动"不是 VLA 的固有属性——Reflex 证明它是可以被流式架构消除的设计选择；
4. 引擎上，部署鸿沟正在被 GGUF 生态填平——vla.cpp 让七种架构从消费 GPU 一路跑到 8 GB 嵌入式模块，并留下两条普适教训：前缀 compute-bound / 专家 memory-bound、低精度部署必须数值门禁；
5. 感知上，空间能力可以用很轻的方式补上——Evo-Depth 的隐式深度调制是"性能-成本-实时性"三角的实用平衡点。

对从业者的一句话建议：先想清楚瓶颈在架构、数据、系统还是部署，再选对应的工具——而且它们大多可以组合使用。

参考链接

• TurboVLA：https://arxiv.org/abs/2607.27205 ｜ https://github.com/H-EmbodVis/TurboVLA
• CoTinyVLA：https://arxiv.org/abs/2607.25487 ｜ https://github.com/BrainJellyPie/CoTinyVLA
• vla.cpp：https://arxiv.org/abs/2606.08094 ｜ https://fai-modelopt-tech.github.io/vla-cpp.github.io/
• Reflex：https://arxiv.org/abs/2607.14695 ｜ https://github.com/9yc/Reflex
• Evo-Depth：https://arxiv.org/abs/2605.14950 ｜ https://github.com/MINT-SJTU/Evo-Depth

分享完成~