点击按钮预约直播 视觉-语言-动作（VLA）模型依托视觉语言模型（VLMs）的强大能力取得了显著进展，但VLMs庞大的参数规模和自回归解码特性，给VLA模型带来了不小的计算 负担。投机解码（SD）通过高效的草稿生成与并行验证，能让大型语言模型（LLMs）在单次前向传播中生成多个token，从而有效加速推理，不过这一技术在VLA 模型中的应用尚未被探索。 为此，我们提出了Spec-VLA： 首个专为VLA推理加速设计的SD框架 。由于动作预测任务本身的难度，加上VLA模型采用贪婪解码机制，直接应用现有的先进SD 框架，对VLA预测任务的提速效果并不明显。 为进一步提升生成速度，我们利用VLA模型动作token所表征的相对距离，设计了一种有效的宽松接受机制。 多场景测试结果证实了Spec-VLA框架的有效性。进一步分析表明， 本文提出的策略能将接受长度提升44%，相比OpenVLA基线模型实现1.42倍的速度提升，同时 不降低任务成功率 。Spec-VLA框架的成功，凸显了投机执行在VLA预测场景中更广泛应用的潜力。 点击下方 卡片 ，关注" 具身智能 之心 "公众号 >>直播和内容获取转到 → 具身智能之心知识 ...