APS-VLA 剪枝视觉 token 让机器人策略提速 1.47 倍
原文标题：APS-VLA: Action-Guided and Future-Aware Token Pruning for Efficient Vision-Language-Action Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者提出 APS-VLA，在冻结预训练 VLA 主干的前提下，用轻量决策影响估计器结合视觉观测、语言指令与本体感知为视觉 token 打分，实现动作引导与未来感知的 token 剪枝。在 OpenVLA-OFT、π0.5 与 XR-1 上验证加速效果；两个双臂平台五项真实任务中推理延迟从 137.25ms 降至 93.25ms，成功率 61% 略高于未剪枝基线 60%。
AI 处理过程展开/收起
相关推荐
蚂蚁灵波发布 LingBot-Touch 触觉基础模型并开源
AI 摘要蚂蚁灵波发布 LingBot-Touch 触觉基础模型，基于近 5000 小时真实触觉数据预训练，覆盖磁触觉、视触觉与压阻式三类传感原理，可将不同信号统一为同一套触觉表征。该模型补齐机器人精细操作所需的触觉感知，技术报告、模型与代码已在 Hugging Face、GitHub 和魔搭开源。
谷歌发布 Gemini Omni 1.2 Flash 视频模型，单段时长增至 15 秒
AI 摘要谷歌推出 AI 视频生成模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒视频，较上一代提升 50%，并新增多轮对话式编辑能力。新模型增强了对参考内容的遵循，可在多镜头间保持角色、物体与场景一致性，减少视觉漂移。
OpenAI发布图像模型Images 2.6，生成提速50%并新增GIF功能
AI 摘要OpenAI发布图像生成模型Images 2.6，面向全球用户在ChatGPT、Codex及API开放。生成速度较上版提升50%，增强多轮编辑的细节与角色、产品、品牌一致性，并新增GIF循环动画生成。API提供Flare与Sunburst两个版本。
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。