Reduzindo a Redundância Temporal para uma Inferência Eficiente em Visão-Linguagem-Ação

arXiv:2607.12287v1 Tipo de anúncio: novo Resumo: Modelos de Visão-Linguagem-Ação (VLA) exibem forte generalização para manipulação robótica, mas sua alta latência de inferência limita a implantação em tempo real. Identificamos duas fontes principais de redundância temporal nos pipelines de VLA existentes: a codificação visual repetida de quadros consecutivos altamente semelhantes e a amostragem iterativa em múltiplas etapas em políticas baseadas em difusão. Para resolver isso, propomos uma estratégia de aceleração em nível de sistema que reduz a computação i...