论文页面 - TurboVLA：在RTX 4090上以32 Hz频率运行、VRAM占用不足1 GB的实时视觉-语言-动作模型

来源：https://huggingface.co/papers/2607.27205

摘要

视觉-语言-动作（VLA）模型通常采用以LLM为中心的V到L到A路径，即先将视觉观测投射到大语言模型的表征空间，再解码为机器人动作。虽然这种方法有效，但每次策略调用都会带来巨大的计算和内存开销。在本工作中，我们提出TurboVLA，一种新的VLA范式，将传统的V到L到A路径重新构建为直接的V+L到A映射。TurboVLA不再将大语言模型作为感知与动作之间的核心接口，而是独立编码视觉观测和语言指令，通过轻量级的双向视觉-语言交互在两者之间直接交换信息，并使用紧凑解码器预测连续的动作块。这种简单的设计直接从视觉和语言特征中构建任务条件表征，大幅降低了VLA推理的计算和内存成本。在LIBERO上，TurboVLA参数量仅0.2B，推理延迟31.2 ms，推理VRAM占用0.9 GB（在消费级RTX 4090上），平均成功率97.7%，与规模大得多的VLA策略相当或更优。这些结果表明，TurboVLA是当前主流以LLM为中心的VLA范式的一种简单而有效的替代方案，为视觉、语言和动作的高效机器人操控连接提供了新的视角。代码已开源：https://github.com/H-EmbodVis/TurboVLA。

查看arXiv页面 (https://arxiv.org/abs/2607.27205)查看PDF (https://arxiv.org/pdf/2607.27205)项目页面 (https://h-embodvis.github.io/TurboVLA/)GitHub15 (https://github.com/H-EmbodVis/TurboVLA)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.27205)

在你的agent中获取此论文：

hf papers read 2607.27205

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型关联此论文

在模型README.md中引用arxiv.org/abs/2607.27205即可从此页面链接。

引用此论文的数据集0

没有数据集关联此论文

在数据集README.md中引用arxiv.org/abs/2607.27205即可从此页面链接。

引用此论文的Space0

没有Space关联此论文

在Space README.md中引用arxiv.org/abs/2607.27205即可从此页面链接。

包含此论文的合集0

没有包含此论文的合集

将本论文添加到合集 (https://huggingface.co/new-collection)以从此页面链接。