英伟达、纽约大学、加州大学伯克利分校、约翰斯·霍普金斯大学和斯坦福大学研究人员在2026年10月13日提交的预印本中，提出视觉—语言—动作模型TacitVLA，核心目标是在保留推理监督收益的同时，避免机器人动作等待完整推理文本生成。论文原文
该方法让动作专家不读取当前调用中生成的推理文本，而是利用推理监督改善视觉语言主干的表示能力。在需要长期记忆的任务中，模型可以在动作执行期间生成后续记忆条目，而不是先完成推理再执行动作；在不需要记忆的任务中，部署阶段甚至可以不生成推理文本。
论文报告称，TacitVLA在RoboMME、RMBench、LIBERO和PhysicalAI-AV四个基准上进行了对照实验。在保持与显式推理模型相近表现的情况下，延迟最高降低3.4倍；与不使用推理的同架构模型相比，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公开闭环驾驶挑战场景得分52.5%等结果。
这项工作的意义在于，它把多模态模型的“推理能力”和“动作时序”部分解耦，针对机器人控制中推理文本可能拖慢反应的问题给出了一种架构与训练思路。不过，相关数字目前来自研究团队自己的预印本和实验设置，尚未代表独立复现结果，也不等同于已经在真实生产环境中验证。后续仍需关注不同硬件、任务类型和更复杂场景下的延迟稳定性，以及减少文本生成后是否会损失可解释性。
事件时间：论文预印本提交日期为2026-10-13；本文整理日期为2026-10-17。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
