SPAR 模型剪枝方法提升机器人 VLA 效率
热点事件持续更新
SPAR 模型剪枝方法提升机器人 VLA 效率
1 篇报道1 个报道来源11 小时前更新
先了解这件事
AI 综述
针对机器人视觉 - 语言 - 动作（VLA）模型推理资源受限的问题，研究者 Shenli Zheng 等人提出了 SPAR 方法。该方案结合剪枝感知微调与强化学习（RL），在大幅压缩模型的同时恢复操作性能。 应用于 π_0.5 模型时，SPAR 将语言骨干参数量从 2.34B 降至 0.09B，整体模型从 3.37B 降至 1.12B。在 LIBERO 测试集上，经过 RL 恢复后平均成功率由 84.55% 提升至 93.45%，推理速度提升 1.98 倍，实现了效率与性能的双重优化。
AI 根据报道生成 · 2 小时前更新
最新进展10月20日 12:00
SPAR：面向视觉-语言-动作模型的结构剪枝与动作恢复报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · AISPAR：面向视觉-语言-动作模型的结构剪枝与动作恢复
针对机器人 VLA 模型推理资源受限的问题，SPAR 结合剪枝感知微调与强化学习（RL），在大幅压缩模型的同时恢复操作性能。 应用于 π_0.5 模型，语言骨干参数量从 2.34B 降至 0.09B，整体模型从 3.37B 降至 1.12B；RL 使 LIBERO 测试集平均成功率由 84.55% 提升至 93.45%，推理速度提升 1.98 倍。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。