TacitVLA：无推理延迟的视觉语言动作模型

在采取行动前进行文本推理已提升了视觉-语言-动作（VLA）模型的性能，但代价是引入了延迟：每个依赖于推理文本的条件动作都必须等待自回归解码完成。我们证明，动作无需等待或依赖生成的推理内容即可从中受益，因为推理监督本身已经改善了骨干网络的表示能力。我们提出了 TacitVLA，这是一种推理型 VLA 模型，其动作专家在当前调用中从不关注自身生成的推理文本。在长程任务中，推理文本同时充当情景记忆，TacitVLA 可在执行动作的过程中逐条生成记忆条目，而非在行动前全部生成。我们在涵盖操作与自动驾驶、记忆与非记忆任务的四个基准测试上进行了受控评估：RoboMME、RMBench、LIBERO 和 PhysicalAI-AV。在所有四项基准中，TacitVLA 的性能均达到其显式推理对应模型的同等水平，且延迟降低高达 3.4 倍；同时，在与未使用推理训练的相同架构相比，其成功率最高提升 17.1%，而延迟保持一致。从绝对指标来看，它在 RoboMME 计数套件（82.7% vs. 66.8%）和 RMBench（77.5% vs. 56.5%）上超越了此前发表的最佳结果，并在 LIBERO-Plus 上达到 72.9% 的成功率，在 PhysicalAI-AV 闭环驾驶挑战的公开划分中场景得分达 52.5%。项目页面：https://tacitvla.github.io。