单个解码器让小模型动起来：TurboVLA 回归经典架构来理解语言与视觉
华中科技大学的研究人员开发了 TurboVLA，这是一种视觉-语言-动作系统，它用小型编码器和交叉注意力代替大语言模型来融合视觉与语言。在 LIBERO 基准上，它以 2 亿参数、31.2 毫秒延迟和 0.9 GB 推理显存取得了 97.6% 的成功率。为什么重要：这表明机器人控制可以在更小、更便宜的硬件上运行而不损失性能。
报道来源
- The Batch (DeepLearning.AI)2026-10-23 15:15