VLA模型因果分析实现推理效率提升

2026年10月16日，arXiv Robotics 刊出 Aiden Swann 等作者的论文，对视觉-语言-动作（VLA）模型进行机制层面的因果通路分析。研究考察了三个前沿 VLA 模型——π₀.₅、MolmoAct2 和 MolmoBot，分析输入图像与指令通过哪些因果路径塑造动作，发现因果相关信息经由中后段 cross-attention 层构成的“动作条件接口”影响动作专家。作者称，将 MolmoBot 的动作专家条件限制在 36 层中的 3 层，可使推理 FLOPs 最多降低 33%，同时在 3,000 个评估回合中任务成功率与默认模型相当（46.7% 对 46.9%），并称同一原则可迁移至 π₀.₅ 的真机部署。上述效率提升与成功率数据均针对 MolmoBot 的特定层数限制设定，真机迁移结论仅针对 π₀.₅，报道未说明该做法是否适用于其他模型或全部操作。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。