【具身AGI导读】一篇新论文提出 Fast-VLA:让大模型只在任务开始时思考一次,执行阶段交给轻量模块接手。VLA 的推理成本,正在被重新计算。

视觉-语言-动作模型,也就是常说的 VLA,是当前机器人操作的一条主流技术路线。它把视觉、语言理解与动作生成串成一条端到端通路,让机器人能听懂指令、看着场景直接输出动作。

但它有一个绕不开的成本:这类策略通常把一个数十亿参数的模型放进控制回路,每预测下一段动作,都要把任务上下文重新算一遍。问题在于,任务本身的理解变化得很慢,机器人的状态却变得很快——把慢的部分和快的部分绑在一起重复计算,是不划算的。

一篇新论文提出的 Fast-VLA,思路就是把这个「反复思考」改成「只思考一次」。每个任务开始前,它只调用一次冻结的视觉语言模型,把指令和初始画面加工成固定的多层键值记忆。这里的任务记忆,本质是把「这个任务要干什么」这一层理解,从高频的动作决策里抽离出来,做成一次性的上下文,这比每一拍都让大模型重新看一遍画面、重新理解一遍指令要省得多。

执行阶段则交给一个轻量的在线执行器:它把学习到的时间查询、手臂索引查询,与当前的视觉和本体感知反馈融合成动作查询,再从那段固定的任务记忆里取上下文、直接预测动作块,全程不再重跑那个大模型。这里的分工很清楚:昂贵的模型只负责「看懂任务」,便宜的模块负责「快速反应」,两者各管一摊。

这样一来,任务上下文只需建立一次,闭环控制却能在整个执行过程中保持响应。它回应的正是具身智能落地时的一个现实矛盾——模型越强,实时控制就越重;而把「想」和「做」在时间上分开,恰好绕开了这个矛盾。

把推理和动作分开,是 VLA 降本提速的一个方向。任务理解可以慢,动作执行必须快;把慢的那一步留在回路之外,快的那部分才能轻装上阵。

在具身智能的部署上,算力约束一直是最现实的瓶颈:真机上跑一个实时控制的大模型,既要延时低、又要显存小,很难两全。对还在算推理成本的机器人厂商来说,这类方法的吸引力在于,不必换更小的模型去牺牲能力,也能把单次任务里的重计算压到一次。当机器人操作从演示走向长时间、连续的真机执行,这种「一次思考、持续执行」的结构,价值会越来越明显。

让大模型少想几次,机器人才能多动几下。

参考资料

- arXiv · Fast-VLA: You Only Think Once for Robot Manipulation · 2026-10-15

编辑:具身AGI

具身智能第一现场

⭐点赞、转发、在看一键三连

⭐点亮星标,锁定具身AGI极速推送!

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐