論文の概要: TacitVLA: Reasoning Vision-Language-Action Models Without Reasoning Latency

• arxiv url: http://arxiv.org/abs/2610.17540v1
• Date: Tue, 13 Oct 2026 01:09:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.484167
• Title: TacitVLA: Reasoning Vision-Language-Action Models Without Reasoning Latency
• Title（参考訳）: TacitVLA: 遅延を推論せずにビジョン・ランゲージ・アクションモデルを推論する
• Abstract要約: 本稿では,現在のコールで発生する推論にアクションエキスパートが決して参加しない推論VLAであるTacitVLAを紹介する。 推論テキストがエピソードメモリとしても機能するロングホライゾンタスクでは、アクション実行中の各エントリを生成することができる。 我々は、操作と自律運転、メモリ、非メモリタスクにまたがる4つのベンチマークについて、制御された研究で評価した。
• 参考スコア（独自算出の注目度）: 72.91348574008946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Textual reasoning before acting has improved vision-language-action (VLA) models, but at the cost of latency: every action conditioned on the reasoning text must wait for autoregressive decoding. We show that actions do not need to wait for or condition on the generated reasoning to benefit from it, because the reasoning supervision already improves the backbone representation. We introduce TacitVLA, a reasoning VLA whose action expert never attends to the reasoning it generates for the current call. On long-horizon tasks where the reasoning text also serves as episodic memory, it can generate each entry during action execution rather than before acting. We evaluate it in a controlled study on four benchmarks spanning manipulation and autonomous driving, memory and non-memory tasks: RoboMME, RMBench, LIBERO, and PhysicalAI-AV. On all four, TacitVLA matches the performance of its explicit-reasoning counterpart at up to 3.4x lower latency, and matches the latency of the same architecture trained without reasoning at up to +17.1% success. In absolute terms, it surpasses the best previously published results on the RoboMME Counting suite (82.7% vs. 66.8%) and RMBench (77.5% vs. 56.5%), and reaches 72.9% on LIBERO-Plus and a 52.5% scene score on the public split of the PhysicalAI-AV closed-loop driving challenge. Project page: https://tacitvla.github.io.
• Abstract（参考訳）: アクト前のテキスト推論は視覚言語アクション(VLA)モデルを改善するが、遅延のコストがかかる: 推論テキストに条件付けられたすべてのアクションは自動回帰復号を待たなければならない。 動作が生成した推論を待たなくてもよいことを示す。なぜなら、推論の監督はバックボーン表現を既に改善しているからだ。 本稿では,現在のコールで発生する推論にアクションエキスパートが決して参加しない推論VLAであるTacitVLAを紹介する。 推論テキストがエピソードメモリとしても機能するロングホライゾンタスクでは、アクション実行中の各エントリを生成することができる。 操作と自律運転,メモリ,非メモリタスクを対象とする4つのベンチマーク(RoboMME,RMBench,LIBERO,PhysicalAI-AV)を比較検討した。 4つすべてにおいて、TacitVLAは明示的な推論のパフォーマンスを最大3.4倍のレイテンシで一致させ、最大+17.1%の成功の理由なしにトレーニングされた同じアーキテクチャのレイテンシと一致させる。 絶対的には、RoboMMEカウントスイート(82.7% vs. 66.8%)とRMBench(77.5% vs. 56.5%)で、LIBERO-Plusで72.9%、PhysicalAI-AVクローズドループ運転チャレンジで52.5%のスコアを獲得した。 プロジェクトページ: https://tacitvla.github.io

関連論文リスト

• RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
  本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。 適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。 LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
  論文  参考訳（メタデータ） (2026-10-08T15:49:03Z)
• Instance-anchored interaction evidence: Grounding robot plans in human pointing and handling [14.14077204051717]
  事例アンコレッド相互作用エビデンス(IAE)を提案する。 IAEは最終シーンのすべてのオブジェクトをその公開識別子に登録する。 タスク結果のみからトレーニングされたエビデンスネットワークがインスタンスをスコアする。
  論文  参考訳（メタデータ） (2026-10-08T15:37:43Z)
• Imagine the Future, Internalize the Gist: Efficient VLA Reasoning via Internalized Spatiotemporal Imagination [35.063172649546026]
  IG-VLAは、モデルが未来を想像し、内部化することを可能にするVLA推論フレームワークである。 潜時推論は、視覚的表現空間において、タスク関連将来のシーンの進化を直接想像することを学ぶ。 シーンギストメモリは、推論に基づくシーンビヘイビア関係をコンパクトなシーンギストトークンに内部化する。
  論文  参考訳（メタデータ） (2026-10-02T00:31:51Z)
• Latent Action as Intention Enables Efficient Future Imagination for World Action Models [20.031922437200524]
  提案するアーキテクチャ**LAWA**は,コンパクトな潜伏動作を将来の意図の操作的表現として利用するWAMアーキテクチャである。 RoboCasaでは、LAWAは数ショットと全データ設定で65.6%と80.8%という最先端の平均的な成功率を達成した。 また、一致したJoint-WAMモデルの性能レベルも保持し、42.9%の遅延時間を必要とする。
  論文  参考訳（メタデータ） (2026-08-25T17:59:03Z)
• Recursive Belief Vision Language Action Models [0.0]
  ロングホライゾン操作には永続的でアクション条件のある状態表現が必要である。 現在の視覚言語モデルは時間的および物理的推論に制限がある。 本稿では,自己教師型世界モデルで学習した信念中心アーキテクチャであるRB-VLAを紹介する。
  論文  参考訳（メタデータ） (2026-02-24T08:02:16Z)
• SAGE: Training Smart Any-Horizon Agents for Long Video Reasoning with Reinforcement Learning [53.67654657011112]
  SAGEは、1ターンでより単純な問題を処理しながら、長いビデオのマルチターン推論を行うエージェントシステムである。 さらに,SAGE-MMにおける任意の水平推論能力を注入するための効果的なRLポストトレーニングレシピを提案する。 提案手法の有効性を実証的に検証し,オープンエンドビデオ推論タスクにおいて最大6.1%の顕著な改善が見られた。
  論文  参考訳（メタデータ） (2025-12-15T20:14:19Z)
• 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)
• HAMLET: Switch your Vision-Language-Action Model into a History-Aware Policy [61.668591984635846]
  HAMLETは、行動予測中の歴史的状況に対応するためにビジョン・ランゲージ・アクションモデルを適用するためのフレームワークである。 HAMLETは、最先端のVLAを履歴認識ポリシーに変換することに成功していることを示す。 GR00T N1.5に加えて、HAMLETは歴史に依存した実世界のタスクで平均76.4%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-10-01T09:15:52Z)
• Listen Attentively, and Spell Once: Whole Sentence Generation via a Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
  我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。 非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。 我々は,中国における公開データセットAISHELL-1の実験を行った。
  論文  参考訳（メタデータ） (2020-05-11T04:45:02Z)

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。