論文の概要: VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2605.30011v1
• Date: Thu, 28 May 2026 14:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.395836
• Title: VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies
• Title（参考訳）: VisualThink-VLA: 効果的で低レイテンシなビジョンランゲージ・アクション・ポリシーのためのビジュアル中間推論
• Authors: Mingjian Gao, Wenqiao Zhang, Yuqian Yuan, Yang Dai, Binhe Yu, Zheqi Lv, Haoyu Zheng, Jiaqi Zhu, Zhiqi Ge, Zixuan Wan, Siliang Tang, Yueting Zhuang,
• Abstract要約: 正確な低レイテンシVLAポリシーのためのビジュアル中間推論フレームワークであるVISUALTHINK-VLAを提案する。 私たちのブートストラップ哲学は、効果的な視覚的思考でアクションを導くことです。 これは、デコードオーバーヘッドを回避しながら空間的精度を保った、コンパクトなビジュアル・エビデンスインターフェースを通じてアクション予測をブートストラップする。
• 参考スコア（独自算出の注目度）: 58.65913948991329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work has begun to equip vision-language-action (VLA) policies with explicit intermediate reasoning. In embodied control, however, textual chain-of-thought is a poor fit: irrelevant or weakly textual information can interfere with action prediction, while autoregressive text decoding adds too much latency for real-time closed-loop execution. We present VISUALTHINK-VLA, a visual intermediate-reasoning framework for accurate, low-latency VLA policies. Our bootstrapping philosophy is to guide action with effective visual thinking: VISUALTHINK-VLA bootstraps action prediction through a compact visual-evidence interface that preserves spatial precision while avoiding decoding overhead. Besides, to further improve performance and efficiency, VISUALTHINK-VLA adopts a tailored selective routing mechanism to learn the visual evidence tokens, enabling low-latency inference while preserving high-capacity specialization. We also introduce VisualEvidence-Kit, a supervision-and-audit resource centered on a VisualEvidence-Agent that constructs a 754.7k VLA instructions VisualEvidence-Set for route supervision and counterfactual faithfulness tests. Across multiple benchmarks and real-robot evaluation, VISUALTHINK-VLA achieves the highest success rate on most benchmarks while reducing the multi-second latency of reasoning-augmented baselines to the sub-second regime. For example, on BridgeData V2, it reduces step latency from 8.377,s with ECoT to 0.367,s, achieving a 22.8 times speedup.
• Abstract（参考訳）: 最近の研究は、視覚言語アクション(VLA)ポリシーを明示的な中間的推論で装備し始めている。 しかし、具体的制御では、テキストチェーン・オブ・シークレットは不適切である:無関係または弱いテキスト情報がアクション予測に干渉する可能性がある一方で、自己回帰的テキストデコーディングはリアルタイムのクローズドループ実行に過大な遅延を与える。 正確な低レイテンシVLAポリシーのためのビジュアル中間推論フレームワークであるVISUALTHINK-VLAを提案する。 我々のブートストラッピング哲学は、効果的な視覚的思考でアクションを導くことである: VISUALTHINK-VLAは、デコードオーバーヘッドを回避しながら空間的精度を保ちながら、コンパクトなビジュアル・エビデンスインターフェースを通じてアクション予測をブートストラッピングする。 さらに、性能と効率をさらに向上するため、VISUALTHINK-VLAは、視覚的エビデンストークンを学習するための調整された選択的なルーティング機構を採用し、高容量の特殊化を保ちながら低遅延推論を可能にする。 また、VisualEvidence-Kitについても紹介する。VisualEvidence-Agentは754.7kのVLA命令をVisualEvidence-Setで構築し、ルートの監視と反ファクトの忠実度テストを行う。 複数のベンチマークと実ロボット評価を通じて、VISUALTHINK-VLAは、ほとんどのベンチマークで最高成功率を達成し、推論強化ベースラインからサブ秒体制へのマルチ秒レイテンシーを低減した。 例えば、BridgeData V2では、ステップレイテンシを8.377から0.367に短縮し、22.8倍のスピードアップを実現している。

関連論文リスト

• StreamingVLA: Streaming Vision-Language-Action Model with Action Flow Matching and Adaptive Early Observation [30.881585159777714]
  視覚言語アクション(VLA)モデルは、自然言語による知覚と制御において例外的な性能を示した。 VLAモデルの高い計算コストは、大きな効率上の課題をもたらす。 本稿では,VLAステージ間で非同期並列化が可能なVLAを実現することを提案する。
  論文  参考訳（メタデータ） (2026-03-30T15:23:27Z)
• ETA-VLA: Efficient Token Adaptation via Temporal Fusion and Intra-LLM Sparsification for Vision-Language-Action Models [14.841746872486333]
  本稿では,VLAモデルの効率的なToken AdaptationフレームワークであるETA-VLAを提案する。 ETA-VLAは最先端のベースラインに匹敵する運転性能が得られることを示す。 提案手法は, 85%の視覚トークンを抽出し, FLOPを61%削減するが, NAVSIM v2ベンチマークでは元の精度の94%を維持している。
  論文  参考訳（メタデータ） (2026-03-26T06:53:42Z)
• VP-VLA: Visual Prompting as an Interface for Vision-Language-Action Models [80.1055544841585]
  ビジョン・ランゲージ・アクションモデルは通常、視覚観察と言語指示を直接ロボット制御信号にマッピングする。 本稿では,高レベルの推論と低レベルの実行を,構造化された視覚的プロンプトインタフェースを介して分離する,デュアルシステムフレームワークであるVP-VLAを提案する。 Robocasa-GR1-TabletopベンチマークとSimplerEnvシミュレーションの実験は、VP-VLAが成功率を5%と8.3%改善することを示した。
  論文  参考訳（メタデータ） (2026-03-23T14:08:58Z)
• Latent Reasoning VLA: Latent Thinking and Prediction for Vision-Language-Action Models [69.58413440457828]
  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。
  論文  参考訳（メタデータ） (2026-02-01T11:34:37Z)
• ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
  本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。 具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。 本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
  論文  参考訳（メタデータ） (2026-01-23T11:31:07Z)
• dVLA: Diffusion Vision-Language-Action Model with Multimodal Chain-of-Thought [66.78110237549087]
  VLA(Vision-Language-Action)モデルは、ロボット工学の次世代パラダイムとして登場しつつある。 単一システムにおける視覚認識,言語推論,ロボット制御を統一する拡散型VLAであるdVLAを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T02:36:11Z)
• Think Twice, Act Once: Token-Aware Compression and Action Reuse for Efficient Inference in Vision-Language-Action Models [30.7855782696894]
  VLA(Vision-Language-Action)モデルは、自然言語による汎用ロボット制御の強力なパラダイムとして登場した。 VLAモデルにおけるアクション再利用を可能にする最初のトレーニングフリーかつプラグアンドプレイアクセラレーションフレームワークであるFlashVLAを提案する。
  論文  参考訳（メタデータ） (2025-05-27T13:47:18Z)
• CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models [89.44024245194315]
  視覚言語行動モデル(VLA)に明示的な視覚連鎖(CoT)推論を組み込む手法を提案する。 視覚およびアクショントークンの理解と生成が可能な最先端の7B VLAであるCoT-VLAを紹介する。 実験の結果,CoT-VLAは実世界の操作タスクでは17%,シミュレーションベンチマークでは6%,最先端のVLAモデルでは6%,高い性能を示した。
  論文  参考訳（メタデータ） (2025-03-27T22:23:04Z)

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。