跳到正文
arXiv · 机器人与计算机视觉· Shenglan Li, Zhendong Mi, Hengyi Zhu, Jingwu Luo, Chun Kit Chan, Geng Yuan, Yanzhi Wang, Pu Zhao, Shaoyi Huang·· 2026-10-05AI 评分84

IG-VLA:通过内化的时空想象实现高效 VLA 推理

Imagine the Future, Internalize the Gist: Efficient VLA Reasoning via Internalized Spatiotemporal Imagination

AI 导读

针对现有视觉语言动作模型仅基于观测状态推理而未明确预测未来场景演进的局限,本文提出 IG-VLA 框架。该方法在视觉表征空间直接学习任务相关的未来场景演化(潜在时空推理),并通过场景 gist 记忆将推理衍生的场景行为关联内化为紧凑 token,从而在推理阶段绕过昂贵的像素级视频生成。

来源:arXiv · 机器人与计算机视觉 · arxiv.org