华中科技大学联合华为提出 TurboVLA：绕过大语言模型，以 0.2B 参数实现 32Hz 在线动作预测
TurboVLA 证明明确指令下动作预测无需每次运行大语言模型，用 0.2B 参数实现更高成功率与三倍速度。
现有机器人视觉-语言-动作模型（VLA，将视觉、语言与动作控制结合在一起的模型）通常依赖大语言模型融合信息，导致动作预测慢。TurboVLA 让视觉与语言特征直接交互，跳过 LLM，仅 0.2B 参数就在 RTX 4090 上达到约 32Hz 的在线动作预测，平均成功率 97.7%。
正文摘录
.jpg)  共同第一作者：谢亨义，姚晨飞，来自华中科技大学，研究方向为 3D 视觉。 Project Lead: 梁定康，华中科技大学计算机学院青年教师，研究方向包括自动驾驶，具身智能等。 近年来，视觉 — 语言 — 动作模型（Vision-Language-Action Model，VLA）正逐渐成为通用机器人控制的重要技术路线，但当这些模型真正进入高频闭环执行时，一个矛盾越来越突出： 模型越来越大、语义能力越来越强，动作更新却未必足够快。 目前，大量 VLA 模型将大语言模型置于视觉感知和动作预测的中心。每次预测动作时，视觉观测都要先进入数十亿参数的语言主干，与语言指令完成融合后，才能进一步生成机器人动作。这不仅带来了显著的计算和显存开销，也意味着：即使模型采用连续动作专家或并行动作解码器，前面的语言模型依然需要完整运行，难以从根本上消除延迟。 这引出了一个核心问题： 对于已经给出明确操作指令的机器人任务，每次动作预测都必须运行一个大语言模型吗？ 近期，华中科技大学团队联合华为提出实时视觉 — 语言 — 动作模型 TurboVLA。现有 VLA 通常将大语言模型作为视觉到动作的中间接口：视觉观测先与语言指令在大语言模型中完成融合，再基于得到的多模态表示生成机器人动作，即形成一条 V→L→A 的处理路径。