知识卡片：TurboVLA：RTX 4090上32Hz实时运行的视觉-语言-行动模型

一句话结论：TurboVLA提出了一种轻量级的视觉-语言-行动范式，通过直接构建 (V+L \to A) 映射替代传统的以大语言模型为中心的 (V \to L \to A) 路径，在消费级RTX 4090上实现31.2 ms推理延迟（约32 Hz）和<1 GB显存占用，且参数仅0.2B便在LIBERO上达到97.7%平均成功率。

事件概述或研究问题

• 问题：现有视觉-语言-行动（VLA）模型普遍采用“以LLM为中心”的 (V \to L \to A) 架构，即先通过大语言模型融合视觉与语言信息，再解码为动作。该设计每次策略调用都带来巨大的计算和内存开销，难以在消费级硬件上实时运行。
• 事件：作者提出TurboVLA，将路径重构为直接的 (V + L \to A) 映射，独立编码视觉和语言输入，通过轻量级双向视觉-语言交互直接传递信息，并用紧凑解码器预测连续动作块。

方法/产品要点

• 架构革新：放弃LLM作为感知与动作的中央接口，转而采用独立编码器（视觉和语言）+ 轻量双向交互模块 + 紧凑动作解码器。
• 关键设计：直接从视觉和语言特征构建任务条件表示，无需将视觉投影到LLM表示空间。
• 推理效率：参数量仅0.2B，推理延迟31.2 ms（对应约32 Hz），推理显存0.9 GB，可在消费级RTX 4090上运行。
• 测试环境：在LIBERO基准上评估。

主要结果或产业意义

• 性能：在LIBERO上平均成功率97.7%，匹配或超越显著更大的VLA策略。
• 效率对比：以0.2B参数量和极低资源消耗达到与大型模型相当的性能，证实了“简单+直接”设计的有效性。
• 产业意义：为在算力受限的机器人场景（如边缘设备、家用机器人）部署实时VLA策略提供了可行方案，降低了VLA模型对高端硬件的依赖。

为什么重要

• 打破LLM中心范式：此前VLA模型几乎都依赖大语言模型作为中间接口，TurboVLA证明了“直接映射”路径在效率与性能上的竞争力，可能推动VLA设计思路的转向。
• 与已有脉络的关系：与已有的“CamVLA（固定相机视角鲁棒性）”和“MonoIR-RS（遥感适配）”不同，本文聚焦于从根本上降低VLA推理的计算和内存开销，是效率导向的架构创新，而非特定场景下的适配。同时补充了“实时低资源VLA”这一缺失的实证。
• 开源贡献：代码已公开于GitHub，利于复现与后续改进。

局限与不确定性

• 泛化性：目前仅在LIBERO单一基准上报告结果，在更多样化任务（如真实机器人操作、复杂长序列任务）上的表现待核实。
• 场景限制：未说明对多机器人、多视角、动态环境等的适应能力。
• 与LLM对比：未在大规模多模态理解任务上评估，其语言指令理解能力可能弱于LLM中心模型（论文未提及具体对比）。
• 模型规模：0.2B参数是否意味着在复杂指令理解上存在瓶颈？材料未提供消融实验或定性分析。

可用于图书/PPT/简报的角度

• 标题建议：“告别大模型：如何用0.2B参数实现97%+的机器人操作成功率”。
• 对比图示：传统 (V \to L \to A) vs TurboVLA (V+L \to A) 架构对比图，突出计算路径简化与资源节省。
• 数据亮点：一张消费级显卡上0.9 GB显存、32 Hz实时推理，可作为“低功耗机器人AI”的典型案例。
• 启发：在具身智能领域，可以重新审视“是否所有任务都需要大语言模型作为中枢”，为轻量化机器人学习提供新思路。

原始材料

• 英文标题：TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM
• 英文关键词：Vision-Language-Action, VLA, Real-Time, Robotic Manipulation, Lightweight
• 来源：arXiv: 2607.27205v1, https://arxiv.org/abs/2607.27205v1 (2026-07-29), 作者：Hengyi Xie et al.
• 代码仓库：https://github.com/H-EmbodVis/TurboVLA