VLA-Pruner：面向高效VLA推理的时序感知视觉token剪枝

作者丨 Ziyan Liu等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 >> 点击进入→ 具身智能之心 技术交流群 点击下方 卡片 ，关注" 具身智能 之心 "公众号 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 一、研究背景与核心挑战 1. VLA模型的价值与部署瓶颈 视觉-语言-动作（VLA）模型是具身智能的核心方向，能够整合视觉场景感知、自然语言理解与底层动作执行，在多样化机器人任务中展现出强大泛化能力。但这 类模型需要处理连续视觉流，而视觉Token数量通常是文本Token的一个数量级（如256个视觉Token vs 30-50个文本Token），导致计算开销巨大，严重限制实时部 署。 2. 现有剪枝方法的核心缺陷 现有视觉Token剪枝方法（如FastV、SparseVLM、DivPrune）均基于视觉-语言模型（VLM）设计，仅依赖预填充阶段的语义显著性指标（如文本-视觉交叉注意 力、特征多样性）筛选Token。但VLA模型存在 双系统本质 ：高层语义理解（任务规划）与底层动作执行（精准操控）对视觉信息的需求截然不同 ...