研究论文 · 具身智能精选震惊瘫坐

TurboVLA 绕开 LLM 中枢：0.2B 参数在 RTX 4090 上实现 32Hz 机器人动作预测

机器之心 · 2026-08-03 · 预计阅读 6 分钟

30 秒速览

TurboVLA 将传统 V→L→A 改为视觉和语言直接交互后预测动作，0.2B 参数、0.9GB 显存，在 LIBERO 达到 97.7%。

TurboVLA 质疑 VLA 必须让视觉信息先经过大型语言模型再生成动作的主流结构。它独立编码视觉和语言，通过轻量双向交互形成任务条件表征，再用紧凑解码器输出连续动作块，从而显著压缩参数、显存和延迟。

架构从传统 V→L→A 改为 V+L→A：视觉和语言分别编码，经过轻量双向交互融合，随后直接解码动作 chunk，不再在每次策略调用时运行大型 LLM 主干。

论文报告 LIBERO 平均成功率 97.7%，模型仅 0.2B 参数；RTX 4090 上推理延迟 31.2ms、约 32Hz，推理显存 0.9GB。

它直接挑战“LLM 必须处在 VLA 中央”的架构假设，为消费级 GPU 上实时具身控制提供了更高效路线。

结果集中在 LIBERO 仿真任务；真实机器人、多相机、长时序误差积累和开放环境泛化仍需验证，且与大型 VLA 的任务覆盖面未必相同。

方法简单清晰、数字完整，并对 VLA 架构和实时部署提出可验证替代路线。

0.2B 参数和不足 1GB 显存达到 32Hz，并在 LIBERO 报告 97.7% 成功率，显著改变实时 VLA 的资源边界。

VLA具身智能机器人控制实时推理轻量模型RTX 4090

正文已由 AIA 完整中文整理；以下链接仅用于查看中文报道或核对一手材料。

原始标题：VLA动作预测必须经过LLM吗？TurboVLA仅0.2B参数，RTX 4090上跑出32Hz在线动作预测
编辑：GPT · 2026-08-03 · 质量评分 95/100