論文の概要: VLA-ACL: Action-Consistent Visual Token Pruning for Efficient Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.08133v1
• Date: Tue, 06 Oct 2026 10:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.944185
• Title: VLA-ACL: Action-Consistent Visual Token Pruning for Efficient Vision-Language-Action Models
• Title（参考訳）: VLA-ACL:高能率ビジョン・ランゲージ・アクション・モデルのためのアクション・コンセント・ビジュアル・トーケン・プルーニング
• Abstract要約: VLA-ACL(Action Consistency Learning)を導入し、アクションレベルの監視を通じて軽量な視覚トークンプルーニングポリシーを学習する。 LIBEROと実世界の操作タスクの実験では、VLA-ACLは競争性能を維持しながら、最大87.5%の視覚トークンを産み出すことが示された。
• 参考スコア（独自算出の注目度）: 20.339598684057712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models achieve strong robotic manipulation performance but incur high computational costs from processing long token sequences at every control step, limiting real-time deployment. Visual token pruning offers a direct solution, as visual patches dominate the input sequence and contain considerable redundancy. Existing approaches, however, either rely on indirect training-free heuristics, such as attention scores and motion thresholds, or require costly fine-tuning of the base VLA model. We introduce VLA-ACL (Action Consistency Learning), which learns a lightweight visual token pruning policy through action-level supervision while keeping the base VLA model entirely frozen. The training objective encourages actions produced from pruned visual contexts to remain consistent with the full-context teacher, with ground-truth actions as auxiliary supervision. This directly ties token selection to its effect on the downstream control output. Experiments on LIBERO and real-world manipulation tasks show that VLA-ACL prunes up to 87.5% of visual tokens while retaining competitive performance, reduces computation by up to 75%, and achieves a 1.5x inference speedup. These results establish a stronger performance-efficiency trade-off than existing frozen-VLA pruning methods and demonstrate the value of action-level supervision for visual token selection. Code is available at https://github.com/du-owen/VLA-ACL.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、強力なロボット操作性能を実現するが、制御ステップ毎に長いトークンシーケンスを処理することによって計算コストが高くなり、リアルタイムデプロイメントが制限される。 ビジュアルトークンプルーニングは、視覚パッチが入力シーケンスを支配し、かなりの冗長性を含んでいるため、直接的な解決策を提供する。 しかし、既存のアプローチでは、注意スコアやモーションしきい値などの間接的なトレーニングなしヒューリスティックに依存しているか、ベースVLAモデルの微調整に要する。 本稿では, VLA-ACL (Action Consistency Learning) を導入し, 基本となるVLAモデルを完全に凍結したまま, アクションレベルの監視を通じて軽量な視覚トークンプルーニングポリシーを学習する。 トレーニング目的は、訓練された視覚的コンテキストから生み出された行動がフルコンテクストの教師と一致し続けることを奨励する。 これにより、トークン選択がダウンストリーム制御出力に与える影響に直接関連付ける。 LIBEROと実世界の操作タスクの実験では、VLA-ACLは競争性能を維持しながら最大87.5%の視覚トークンを出力し、計算を最大75%削減し、1.5倍の推論スピードアップを達成する。 これらの結果は、既存の凍結型VLAプルーニング法よりも高い性能効率のトレードオフを確立し、視覚トークン選択におけるアクションレベルの監視の価値を実証する。 コードはhttps://github.com/du-owen/VLA-ACLで公開されている。

関連論文リスト

• VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies [58.65913948991329]
  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。
  論文  参考訳（メタデータ） (2026-05-28T14:36:53Z)
• AC^2-VLA: Action-Context-Aware Adaptive Computation in Vision-Language-Action Models for Efficient Robotic Manipulation [21.23747444669735]
  VLAモデル(AC2-VLA)に対するアクションコンテキスト対応適応計算を提案する。 AC2-VLAは、タイムステップ間の認識再利用、トークンプルーニング、統一メカニズム内のモデルコンポーネントの選択的な実行を適応的に行う。 ロボット操作ベンチマークの実験では、AC2-VLAはFLOPを29.4%まで減らし、最大1.79倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-01-27T14:10:39Z)
• VLA-Pruner: Temporal-Aware Dual-Level Visual Token Pruning for Efficient Vision-Language-Action Inference [17.901428758295307]
  VLA(Vision-Language-Action)モデルでは、AIの具現化に大きな期待が寄せられているが、計算コストによってリアルタイムのデプロイメントが制限されている。 本稿では,VLAモデルのデュアルシステム特性に適合する汎用的なプラグ・アンド・プレイ型VLA固有のトークンプルー法であるVLA-Prunerを提案する。 VLA-Prunerは、複数のVLAアーキテクチャと多様なロボットタスクにわたる最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-11-20T15:16:09Z)
• The Better You Learn, The Smarter You Prune: Towards Efficient Vision-language-action Models via Differentiable Token Pruning [27.75632811770582]
  LightVLAは、視覚言語アクション(VLA)モデルのための差別化可能なトークンプルーニングフレームワークである。 ビジュアルトークンの重要性を評価するために動的クエリを生成し、差別化可能なトークン選択を可能にするためにGumbel softmaxを採用する。 LightVLAはFLOPとレイテンシをそれぞれ59.1%、38.2%削減し、タスク成功率は2.6%改善した。
  論文  参考訳（メタデータ） (2025-09-16T02:43:46Z)
• CogVLA: Cognition-Aligned Vision-Language-Action Model via Instruction-Driven Routing & Sparsification [48.81250395291505]
  最近のVision-Language-Actionモデルは、広範な後トレーニングを必要とし、高い計算オーバーヘッドをもたらす。 命令駆動型ルーティングとスパーシフィケーションを利用して効率と性能を両立させるフレームワークであるCogVLAを提案する。 CogVLAは、それぞれ97.4%と70.0%の成功率で最先端のパフォーマンスを達成し、トレーニングコストを2.5倍に、推論遅延を2.8倍に削減した。
  論文  参考訳（メタデータ） (2025-08-28T17:50:58Z)
• 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)

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。