高效VLA模型的提出背景与核心价值 - 动作视觉语言模型是机器人理解环境与执行任务的核心框架，通过端到端映射实现通用指令执行和多任务操作 [3] - 当前主流VLA系统依赖体量庞大的视觉与语言模型，带来巨大的计算与存储开销，推理延迟高，难以满足真实机器人平台对实时性与能耗的严格要求 [3] - 效率问题已成为VLA从实验室研究向实际应用转化的关键瓶颈，该综述首次系统聚焦"效率"这一核心议题 [3] 高效VLA模型的四维度分类框架 - 高效架构设计：包括压缩骨干模型、动态计算路径和双系统架构设计三类主要方案 [16] - 高效感知特征：通过单帧特征选择性处理和跨时序特征复用两条路径优化视觉模态输入，视觉模态输入通常构成最长的Token序列，是VLA模型最主要的计算开销来源 [13][15] - 高效动作生成：分为直接输出低维连续动作向量和在动作前引入显式推理两类策略，动作是连接感知与执行的关键环节 [18][21] - 高效训练与推理：训练端重点降低模型适配成本，推理端聚焦突破自回归瓶颈实现并行化或混合解码 [22] 未来VLA模型的效率优化方向 - 模型数据协同精简：通过选择高价值样本、优化数据结构和控制数据流向，在有限算力下充分利用多模态信息 [25] - 高效时空感知信息：关注任务相关的三维压缩、关键帧和语义筛选策略，降低计算负担实现高效决策 [25] - 高效推理动作编码：通过层次化动作编码、跨动作段特征复用和轻量级在线规划，在保证动作连续性的前提下压缩输出序列 [25] - 高效强化学习策略：采用分阶段训练、离线微调与安全在线适应相结合的策略，复用多模态经验和优化奖励信号 [26] - 效率导向评测体系：建立以资源消耗、任务表现和可解释性为核心的评测体系，统一报告延迟、内存、能耗等指标 [26]