PaceVLA

PaceVLA 是一个统一框架，通过自适应时间执行机制，在保持任务成功率的前提下提升执行效率。

PaceVLA 的动作专家是一个专门负责动作生成的共享骨干网络，接收视觉与语言表征，输出动作序列的隐表示，而非多个专家网络。

PaceVLA 引入量化引导的模式选择方案，判断当前状态是否适合粗执行，并使用上下文条件路由器在每次推理步骤中根据视觉观测、语言指令和历史动作上下文选择执行模式。

PaceVLA 的路由器本质上是一个轻量分类器，其决策依据是当前观测上下文而非固定规则，路由错误会同时影响速度与成功率。

PaceVLA 在三个多任务仿真基准和六个真实世界任务上进行了评估，覆盖多种机器人本体，包括长视野任务和灵巧操作。

实验结果表明 PaceVLA 在提升执行效率的同时保持了任务成功率，自适应量化未以牺牲可靠性为代价换取速度。

真实世界任务涵盖对精度敏感的操作场景，这是固定量化容易失败的领域，PaceVLA 在这些任务上的表现验证了量化引导模式选择的有效性。

论文摘要未披露具体的效率提升幅度与成功率数值，读者需查阅全文获取详细数据。