模型性能与优化 - HALO模型在RoboTwin2.0模拟基准上的平均成功率达到80.5%，较基线模型pi0高出34.1个百分点[2] - QuantVLA方法将模型权重量化至4比特、激活量化至8比特，实现约70%的内存节省[3] - VLA-Perf分析框架提炼出15条可落地的结论，为模型与推理系统优化提供量化参考[4] 训练与部署创新 - RL-Co框架通过强化学习实现虚拟与真实数据协同训练，旨在降低VLA模型的高成本真实数据依赖[5] - QuantVLA为VLA模型在资源受限的机器人平台上的轻量化部署提供了实用路径[3] - VLA-Perf框架可预测任意VLA模型与推理系统组合的推理延迟与吞吐量[4] 行业风险提示 - 行业面临技术研发进度、技术成果转化及商业化应用不及预期的风险[6]