論文の概要: Latent Reasoning VLA: Latent Thinking and Prediction for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2602.01166v1
• Date: Sun, 01 Feb 2026 11:34:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.064085
• Title: Latent Reasoning VLA: Latent Thinking and Prediction for Vision-Language-Action Models
• Title（参考訳）: 潜時推論VLA:視覚-言語-行動モデルにおける潜時思考と予測
• Authors: Shuanghao Bai, Jing Lyu, Wanqi Zhou, Zhe Li, Dakai Wang, Lei Xing, Xiaoguang Zhao, Pengwei Wang, Zhongyuan Wang, Cheng Chi, Badong Chen, Shanghang Zhang,
• Abstract要約: VLA(Vision-Language-Action)モデルは、チェーン・オブ・思想(CoT)推論の恩恵を受けるが、既存のアプローチでは高い推論オーバーヘッドが生じる。 本稿では,マルチモーダル CoT 推論を具体化するための連続潜時表現に内包する統合 VLA フレームワークである Latent Reasoning VLA (textbfLaRA-VLA) を提案する。
• 参考スコア（独自算出の注目度）: 69.58413440457828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language-Action (VLA) models benefit from chain-of-thought (CoT) reasoning, but existing approaches incur high inference overhead and rely on discrete reasoning representations that mismatch continuous perception and control. We propose Latent Reasoning VLA (\textbf{LaRA-VLA}), a unified VLA framework that internalizes multi-modal CoT reasoning into continuous latent representations for embodied action. LaRA-VLA performs unified reasoning and prediction in latent space, eliminating explicit CoT generation at inference time and enabling efficient, action-oriented control. To realize latent embodied reasoning, we introduce a curriculum-based training paradigm that progressively transitions from explicit textual and visual CoT supervision to latent reasoning, and finally adapts latent reasoning dynamics to condition action generation. We construct two structured CoT datasets and evaluate LaRA-VLA on both simulation benchmarks and long-horizon real-robot manipulation tasks. Experimental results show that LaRA-VLA consistently outperforms state-of-the-art VLA methods while reducing inference latency by up to 90\% compared to explicit CoT-based approaches, demonstrating latent reasoning as an effective and efficient paradigm for real-time embodied control. Project Page: \href{https://loveju1y.github.io/Latent-Reasoning-VLA/}{LaRA-VLA Website}.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、チェーン・オブ・ソート(CoT)推論の恩恵を受けるが、既存のアプローチでは高い推論オーバーヘッドが発生し、連続的な知覚と制御をミスマッチする離散的推論表現に依存している。 本稿では,マルチモーダルCoT推論を連続潜時表現に内部化する統一VLAフレームワークであるLatent Reasoning VLA(\textbf{LaRA-VLA})を提案する。 LaRA-VLAは、潜在空間における統一的推論と予測を行い、推論時に明示的なCoT生成を排除し、効率的なアクション指向制御を可能にする。 潜伏型推論を実現するために,カリキュラムベースの学習パラダイムを導入し,明示的なテキストと視覚的CoT監督から潜伏型推論へと段階的に移行し,最終的に潜伏型推論ダイナミクスを条件行動生成に適用する。 我々は2つの構造化されたCoTデータセットを構築し、シミュレーションベンチマークと長距離実ロボット操作タスクの両方でLaRA-VLAを評価する。 実験結果から,LaRA-VLAは予測遅延を最大90倍まで低減しつつ,最先端VLA法よりも高い性能を示し,リアルタイムエンボダイド制御の効率的かつ効率的なパラダイムとして潜時推論を実証した。 プロジェクトページ: \href{https://loveju1y.github.io/Latent-Reasoning-VLA/}{LaRA-VLA Website}

関連論文リスト

• Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning [97.29507133345766]
  我々は,動詞化可能な潜在推論により,コンパクトかつ高性能な計画を実現する効率的な推論フレームワークであるFast-ThinkActを提案する。 様々な具体的操作と推論ベンチマークの実験により、Fast-ThinkActは最大89.3%の推論遅延で強いパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-01-14T18:59:59Z)
• DualVLA: Building a Generalizable Embodied Agent via Partial Decoupling of Reasoning and Action [62.70893433854428]
  推論能力を維持しつつ、慎重に設計した後処理により動作性能を向上させるDualVLAを提案する。 実験の結果、DualVLAはSimplerEnvの平均成功率は61.0であり、8つの競合するマルチモーダルベンチマークの平均スコアは65.4であることがわかった。
  論文  参考訳（メタデータ） (2025-11-27T06:03:53Z)
• IntentionVLA: Generalizable and Efficient Embodied Intention Reasoning for Human-Robot Interaction [51.130510883952546]
  Vision-Language-Action(VLA)モデルは、事前訓練された視覚言語モデル(VLM)を活用して、ロボット制御との認識を両立させる。 カリキュラム学習パラダイムと効率的な推論機構を備えたVLAフレームワークである textbfIntentionVLA を提案する。 提案手法はまず,意図推論,空間的接地,コンパクトな具体的推論を組み合わせ,慎重に設計した推論データを活用する。
  論文  参考訳（メタデータ） (2025-10-09T04:49:46Z)
• VLA-R1: Enhancing Reasoning in Vision-Language-Action Models [35.264042764326895]
  VLA(Vision-Language-Action)モデルは、知覚、言語理解、行動生成を統一することを目的としている。 現在のVLAモデルは、しばしば明示的なステップバイステップ推論を欠いている。 本稿では,検証リワードからの強化学習を統合した推論強化VLAであるVLA-R1を提案する。
  論文  参考訳（メタデータ） (2025-10-02T02:54:03Z)
• Measuring and Improving Chain-of-Thought Reasoning in Vision-Language Models [61.28463542324576]
  視覚言語モデル(VLM)は近年,人間のような出力を生成できる視覚アシスタントとして,強力な有効性を示している。 我々は、既存の最先端のVLMを評価し、最高の性能モデルでさえ、強力な視覚的推論能力と一貫性を示すことができないことを発見した。 本稿では,VLMの推論性能と一貫性の向上を目的とした2段階トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T17:49:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。