論文の概要: TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM

• arxiv url: http://arxiv.org/abs/2607.27205v1
• Date: Wed, 29 Jul 2026 17:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.782354
• Title: TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM
• Title（参考訳）: TurboVLA: RTX 4090 RTX 4090 上でのリアルタイムビジョン・ランゲージ・アクションモデル<1 GB VRAM
• Abstract要約: 視覚言語アクション(VLA)モデルは一般的にLLM中心の$VをLからA$経路に採用する。 我々は,従来の$V から L への変換を,直接$V + L から A$ への写像として行う新しい VLA パラダイムである TurboVLA を導入する。 LIBEROでは、TurboVLAは平均97.7%成功し、0.2Bパラメータと31.2msの推論遅延、0.9GBの推論VRAMしか得られなかった。
• 参考スコア（独自算出の注目度）: 48.08028534478592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models commonly adopt an LLM-centric $V \to L \to A$ pathway, where visual observations are projected into the representation space of a large language model before being decoded into robot actions. Although effective, this design incurs substantial computation and memory overhead at every policy invocation. In this work, we introduce TurboVLA, a new VLA paradigm that reformulates the conventional $V \to L \to A$ pathway as a direct $V + L \to A$ mapping. Instead of using a large language model as the central interface between perception and action, TurboVLA independently encodes visual observations and language instructions, directly exchanges information between them through lightweight bidirectional vision-language interaction, and predicts continuous action chunks with a compact decoder. This simple design constructs task-conditioned representations directly from visual and linguistic features, significantly reducing the computational and memory costs of VLA inference. On LIBERO, TurboVLA achieves 97.7% average success with only 0.2B parameters, 31.2 ms inference latency, and 0.9 GB inference VRAM on a consumer-grade RTX 4090, matching or outperforming substantially larger VLA policies. These results establish TurboVLA as a simple and effective alternative to the prevailing LLM-centric VLA paradigm, offering a new perspective on how vision, language, and action can be connected for efficient robotic manipulation. Code is available at https://github.com/H-EmbodVis/TurboVLA.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは一般的にLLM中心の$V \to L \to A$パスを採用し、視覚的な観察はロボットアクションにデコードされる前に大きな言語モデルの表現空間に投影される。 効果的な設計ではあるが、この設計はポリシーの実行毎にかなりの計算とメモリオーバーヘッドを発生させる。 本稿では,従来の$V \to L \to A$経路を直接$V + L \to A$写像として再構成する新しいVLAパラダイムであるTurboVLAを紹介する。 知覚と行動の間の中心的なインターフェースとして大きな言語モデルを使用する代わりに、TurboVLAは独立して視覚観察と言語命令を符号化し、軽量な双方向視覚言語インタラクションを通じて情報を直接交換し、コンパクトなデコーダで連続的なアクションチャンクを予測する。 この単純な設計は視覚的・言語的特徴から直接タスク条件付き表現を構築し、VLA推論の計算コストとメモリコストを大幅に削減する。 LIBEROでは、TurboVLAは平均97.7%の成功を達成し、0.2Bパラメータと31.2msの推論遅延、そしてコンシューマグレードのRTX 4090上の0.9GBの推論VRAMしか達成していない。 これらの結果は、LLM中心のVLAパラダイムのシンプルで効果的な代替手段としてTurboVLAを確立し、視覚、言語、行動が効率的なロボット操作にどのように接続できるかの新しい視点を提供する。 コードはhttps://github.com/H-EmbodVis/TurboVLAで入手できる。

関連論文リスト

• ComVLA: Communication-Aware Split Inference for VLA Models in 6G-Connected Robotics [39.8807633060402]
  本稿では,ビジョンランゲージ・アクショントークンの予算をチャネル容量に適応させるフレームワークを提案する。 ComVLAは、オリジナルのOpenVLA-OFTベースラインと比較して、推論計算を74%削減し、推論レイテンシを22%削減した。 その結果,共同言語VLA推論と無線通信は6G接続型ロボットの実用化の方向性を示す。
  論文  参考訳（メタデータ） (2026-09-07T18:00:14Z)
• V-Link: Recovering Lost Visual Representations in Action DiT for Vision-Language-Action Models [19.466602886959866]
  本稿では,視覚言語(VL)から機能伝達(A)までの視覚的表現を明示的に復元するV-Linkを提案する。 V-LinkはベースモデルGR00T N1.6よりも平均成功率を+1.9%、+31.2%、+18.8%向上させることを示した。 AGIBOT A3 Ultraでは、V-Linkはさらに2つの現実世界のヒューマノイドタスクで+20%と+24%のゲインを達成している。
  論文  参考訳（メタデータ） (2026-08-26T02:32:18Z)
• CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding [16.03159066719039]
  CLAP(Causal Language-Action Prediction)は、自然言語アクション記述で各数値アクションシーケンスをプリペイドする。 CLAP は 0.8B, 2B, 4B で,単一の VLM 系統からオープンウェイトでマルチスケールのコンパクト VLA ファミリとしてリリースする。
  論文  参考訳（メタデータ） (2026-07-09T22:34:11Z)
• BLURR: A Boosted Low-Resource Inference for Vision-Language-Action Models [34.57464032562792]
  視覚言語アクション(VLA)モデルは印象的なゼロショット操作を可能にするが、その推論スタックは応答性のあるWebデモには重すぎることが多い。 モデルチェックポイントの再トレーニングや変更なしに既存のVLAコントローラにプラグインできる軽量推論ラッパーであるBLURRを提案する。
  論文  参考訳（メタデータ） (2025-12-12T18:30:45Z)
• PixelVLA: Advancing Pixel-level Understanding in Vision-Language-Action Model [59.32370587806426]
  VLA(Vision-Language-Action Model)は、一般化可能なビジュモータ制御ポリシーを学習するための強力なツールとして登場している。 我々は、ピクセルレベルの推論とテキストと視覚入力によるマルチモーダルプロンプトの両方をサポートするように設計された最初のVLAモデルであるPixelVLAを紹介する。 提案手法は,マルチスケールの画素認識エンコーダと視覚的プロンプトエンコーダを統合した,新しいビジュモータ・インストラクション・チューニング・フレームワークに基づいている。
  論文  参考訳（メタデータ） (2025-11-03T13:39:37Z)
• Unified Vision-Language-Action Model [86.68814779303429]
  我々は、視覚、言語、行動信号を離散トークンシーケンスとして自動回帰モデル化する、統一的でネイティブなマルチモーダルVLAモデルUniVLAを提案する。 提案手法は, CALVIN, LIBERO, Simplenv-Bridge など, 広く使用されているシミュレーションベンチマークにまたがって, 最新の結果を設定する。 さらに、現実世界のALOHA操作と自律運転に適用可能であることを実証する。
  論文  参考訳（メタデータ） (2025-06-24T17:59:57Z)
• LaVi: Efficient Large Vision-Language Models via Internal Feature Modulation [17.318287255400175]
  本稿では,シームレスかつ効率的な視覚言語融合を実現する新しいLVLMであるLaViを提案する。 視覚トークンの結合に依存する支配的なLVLMとは異なり、LaViは長いコンテキスト拡張をバイパスする。 LLaVA-OV-7Bと比較して、LaViはFLOPを94.0%削減し、推論速度を3.1倍改善し、メモリ使用量を半分に削減した。
  論文  参考訳（メタデータ） (2025-06-20T02:25:33Z)
• SmolVLA: A Vision-Language-Action Model for Affordable and Efficient Robotics [37.82471658370026]
  視覚言語モデル(VLM)は、豊富な視覚的および言語的知識を符号化した大規模マルチモーダルデータセットで事前訓練された。 SmolVLAは、トレーニングと推論の両方のコストを大幅に削減する、小さく、効率的で、コミュニティ主導のVLAである。
  論文  参考訳（メタデータ） (2025-06-02T16:30:19Z)
• 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)
• Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success [100.226572152954]
  視覚言語アクションモデル(VLA)のための最適化された微調整レシピを提案する。 われわれのレシピはOpenVLAの4つのタスクスイートの平均成功率を76.5%から97.1%に引き上げ、アクション生成のスループットを26$times$に向上させた。 実世界の評価において、我々の微調整のレシピにより、OpenVLAはバイマガルALOHAロボット上でデクスタラスで高周波な制御タスクをうまく実行することができる。
  論文  参考訳（メタデータ） (2025-02-27T00:30:29Z)
• MiniVLM: A Smaller and Faster Vision-Language Model [76.35880443015493]
  MiniVLMは視覚特徴抽出器と視覚言語融合モジュールの2つのモジュールで構成されている。 MiniVLMはモデルサイズを73%$、推論時間コストを94%$に削減する。
  論文  参考訳（メタデータ） (2020-12-13T03:02:06Z)

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。