ayx.com:

  、无人驾驶和人机交互等。共同第一作者蒋雪枫，中国科学院计算技术研究所直博五年级学生，研究方向聚焦弱监督学习，多模态大模型应用和生成式自动驾驶等。本文通讯作者朗咸朋，理想汽车智能驾驶副总裁。

  LightVLA 是一个旨在提升 VLA 推理效率且同时提升性能的视觉 token 剪枝框架。当前 VLA 模型在具身智能领域仍面临推理代价大而无法大规模部署的问题，然而大多数免训练剪枝框架依赖于中间注意力输出，并且会面临性能与效率的权衡问题。为应对这些挑战，LightVLA 引入了两大核心创新：

  无参数可微分token剪枝框架：创新的应用无参数查询初始化和 Gumbel softmax 技术实现训练时可微分 VLA 模型可以依据多样的文本任务输入自适应地选择对任务完成最有贡献的关键视觉 token，验证了性能和效率能做到协同优化。

  基于可学习查询的 token 剪枝框架：相比于无参数的 LightVLA，LightVLA * 初始化一系列的可学习查询（Learnable Query），可分别作用于视觉编码器或 LLM 浅层解码器层，借助额外参数引导 VLA 模型学习关键视觉 Token 选取，同样实现了较好的性能提升。

  我们研究了 VLA 模型中广泛存在的视觉 token 冗余，设计了一种在微调中实现可微分视觉 token 剪枝的加速框架，创新实现 Gumbel-softmax 引导的无参数 token 选择过程，强化 LightVLA 对关键视觉 token 的选择能力，为 VLA 模型的推理加速提供新的范式。

  在 LIBERO 上的实验证明，LightVLA 不仅取得了当前最佳性能（SOTA），超越了 Pi-0 、Openvla-OFT 等经典 VLA 模型，并且实现了高效的推理加速。并且通过可学习的参数初始化 query 选择方法 LightVLA * 验证微调实现推理加速的可行性。消融实验充分验证了 LightVLA 自适应 token 选择的有效性，并证实效率和性能并非是此消彼长的零和博弈，为构建更高效的具身智能大模型提供了新的思路。

  当前视觉 - 语言 - 动作（VLA）模型在机器人任务中展现了令人瞩目的认知推理和操作等能力，但庞大的计算开销和较高的推理延迟限制了其广泛部署，如家用机器人。

  我们认为计算瓶颈的核心大部分来源于视觉 token 的固有冗余，而传统基于 Token 剪枝的加速方法往往面临 “效率 vs 性能” 的权衡困境，现有工作为提升效率而剪枝视觉 token，不可避免地造成模型性能直线下降。我们大家都认为对于 VLA 的视觉输入，冗余的视觉 token 不仅会带来额外的计算开销，而且稀释了模型对于关键区域的注意力，同时造成性能和效率的下降。

  因此，我们大家都认为效率和性能并非天生矛盾，但需要引入更聪明的剪枝方法，而非以固定比例或固定个数限制保留 token 的数量，让模型学会主动、任务自适应地 “关注” 信息最丰富的视觉区域，并忽略无关的冗余信息。基于此，我们实现了两种 token 选择机制：

  LightVLA: 它不再依赖任何启发式的超参数预设剪枝比例，基于无参数查询的方式，进一步引入 Gumbel-softmax 实现在微调过程实现 token 的可微分选择，使模型自发学会保留对提升任务性能更重要的 “关键 token”，以此来实现性能和效率的双重提升。

  LightVLA*: 为了验证在微调过程中剪枝的可行性以及剪枝位置的影响，我们进一步探索了基于可学习查询的剪枝框架，在引入可训练参数后，LightVLA * 仍然可实现性能和效率的较好提升。

  上图展示了 LightVLA 在 LIBERO 中和主流 VLA 模型、剪枝类方法在视觉 token 数量和任务性能上的对比。从图中能够准确的看出，LightVLA 实现了在保留 token 最少情况下最好的性能，不仅说明了视觉 token 的大量冗余，同时说明通过微调能轻松实现性能和效率优化的最优解。

  注意到 argmax 是不可导运算，在这里，个人会使用 Gumbel-softmax 技巧将 argmax 变为可导运算，以实现训练时梯度的反向传播。首先，为了更好的提高训练过程中 Token 筛选的多样性，我们给重要性评分注入采样噪声：

  为了在训练前期鼓励模型探索 Token 筛选的多样性，而在训练后期使 Token 筛选的策略收敛，我们对采样噪声的方差进行线性衰减，使噪声方差从 1 逐渐衰减至 0。

  LightVLA 在指标上显著超越现有基线：在 LIBERO 基准上的所有任务中，LightVLA 均取得了最佳表现，平均成功率达到 97.4%，全面超越包括 OpenVLA-OFT 在内的各类强基线模型。这表明 LightVLA 在兼顾效率的同时仍能保持领先的任务执行能力。

  Token 稀疏性揭示冗余视觉信息：与消耗 512 个视觉 token 的 OpenVLA-OFT 相比，LightVLA 仅保留平均 78 个视觉 token，却仍实现更优性能。这一根据结果得出，大量视觉 token 并未贡献有效信息，LightVLA 成功捕捉关键语义 token，证明了视觉模态的高度稀疏性。

  唯一兼顾性能与效率的加速方案：在与其他加速方法的对比中，LightVLA 不仅将 FLOPs 与延迟分别减少 59.1% 与 38.2%，同时还提升平均成功率 2.6%。有必要注意一下的是，LightVLA 是现有所有加速方法中唯一一个在加速的同时还能提升性能的方案，验证了消除视觉冗余能够同时优化性能与效率。

  为了说明 LightVLA 剪枝过程的可解释性，我们随机选择了任务 “把咖啡壶放在炉子上”，并展示任务执行过程中的 token 选择可视化结果，每帧图片的左右两列分别代表第三人称相机输入和腕部相机输入，第二行点亮的区域代表被选择的视觉 token。关键帧代表操作任务的重要阶段（物体交互，任务完成等），能够准确的看出被保留的视觉 token 更多地关注咖啡壶、炉子、和机械臂本体等任务相关物体，并没有关注无用的背景信息。进一步验证了 LightVLA 在自适应 token 选择上的能力。

  引入噪声提升模型探索能力：不引入噪声的变体保留最少的视觉 token，实现了次优的性能，说明噪声的引入对训练过程中模型主动探索任务相关的视觉 token 至关重要，否则会导致对语义密集场景视觉 token 的 “无感”。

  噪声衰减让模型变得更 “聪明”：固定噪声的引入使得模型保留最多的视觉 token，但模型对关键 token 的筛选能力不够，噪声衰减让模型学会对视觉 token 的有效取舍从而提升到最优性能。

  保留无用 token 导致性能直线下降： 当在 LightVLA 已保留的 k 个 token 之外再补充 k 个随机 token 时，整体性能反而下降，说明 LightVLA 已经捕捉到所有关键信息，额外的随机 token 只会引入噪声与干扰。

  丢弃有用 token 导致性能直线下降：当从 LightVLA 已筛选的 k 个 token 中随机丢弃 10% 时，性能同样下降。充分验证 LightVLA 学会了选择对任务成功率更相关的视觉 token，并没有保留无用信息。

  我们研究了视觉 - 语言 - 动作（VLA）模型中固有的视觉冗余问题，并提出了一种无参数的可微分视觉 token 剪枝框架 LightVLA。通过基于无参数查询的 token 剪枝过程，该方法能够自适应地选择最具信息量的视觉 token。在 LIBERO 基准上，LightVLA 在明显降低计算开销的同时取得了当前最优的性能。我们还提出了另一种变体 LightVLA*，相较于 LightVLA，其引入了可学习查询作为额外的可训练参数，同样在性能上优于同类方法。本工作为解决 VLA 模型中的视觉冗余挑战提供了新的范式，在实现更低计算开销与时延的前提下取得了更优性能，为未来 VLA 模型轻量化与部署提供了新颖的解决方案。