arXiv · cs.RO· Mohammed Hassan·· 14 小时前精选AI 评分65
T3R: 无训练两阶段令牌优化实现高效鲁棒的视觉-语言-动作模型
T3R: Training-Free Two-Stage Token Refinement Towards Efficient and Robust VLA Models
AI 导读
Mohammed Hassan 提出T3R框架，通过分割引导的令牌剪枝和显著性引导的注意力偏置，在LIBERO-Spatial等数据集上实现了85%视觉令牌减少，同时保持成功率，并在分布外测试中提升7%成功率，推理速度提升最高3.3倍。
推荐理由
通过两阶段无训练令牌优化，T3R 在保持准确率的同时显著降低视觉-语言-动作模型的推理成本，解决了多摄像头场景下的计算冗余问题。
来源：arXiv · cs.RO · arxiv.org