Guan 等人的系统性综述：面向具身操作的高效 Vision-Language-Action 模型
[Daily Paper] Efficient Vision-Language-Action Models for Embodied Manipulation: A Systematic Survey
AI 导读
Guan 等人的系统性综述梳理具身操作中高效 Vision-Language-Action（VLA）模型的研究，按模型架构、感知特征、动作生成与训练/推理策略四个方向归纳。综述记录了 token 合并、层剪枝、知识蒸馏与动作分块预测等提速手段，指出它们多只用任务成功率验证，缺少安全相关行为退化的评估。作者称动作分块会削弱轨迹中途中断能力，感知裁剪可能滤掉低显著性的安全事件，呼吁建立效率约束下的安全退化基准。