10月13日，NVIDIA、纽约大学、加州大学伯克利分校等机构的研究人员在arXiv提交论文，介绍视觉—语言—动作模型TacitVLA。该研究针对一个实际部署矛盾：显式生成推理文本有助于提升机器人操作和自动驾驶表现，但动作往往必须等待文本自回归生成，带来额外延迟。论文原文
TacitVLA的核心做法是让推理监督改善模型的主干表示，但让负责执行动作的专家在当前调用中不读取正在生成的推理文本。对于需要长期记忆的任务，模型可以在动作执行期间生成下一条记忆记录，而不是把推理和动作完全串行处理；对于不需要文字记忆的任务，部署时甚至可以不生成推理文本。
论文报告称，TacitVLA在RoboMME、RMBench、LIBERO和PhysicalAI-AV四个基准上进行了评测。在与显式推理版本保持相近表现的情况下，部分任务延迟最高降低3.4倍；与不使用推理训练的同架构模型相比，延迟接近，但成功率最高提升17.1%。论文还报告了RoboMME Counting套件82.7%、RMBench 77.5%、LIBERO-Plus 72.9%以及PhysicalAI-AV公开测试划分52.5%的结果。
这项工作的意义在于，它把多模态模型的优化重点从“是否具备推理能力”进一步推进到“推理是否必须阻塞动作执行”。不过，上述数字来自论文作者在特定基准、硬件和评测协议下的实验，尚不能直接等同于真实机器人或自动驾驶系统中的通用性能；不同任务的延迟、成功率和安全约束仍需独立复现与长期测试。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
