看看重要的是：可微分网格样本修剪用于可推广的视觉-语言-动作模型

视觉-语言-动作（VLA）模型在机器人操作方面显示出了非凡的前景，但其高计算成本阻碍了实时部署。现有的词元修剪方法面临着一个根本性的权衡：使用修剪的积极压缩不可避免地会丢弃关键的几何细节，例如接触点，从而导致严重的性能下降。这迫使人们做出妥协，限制了可实现的压缩率，从而限制了潜在的加速。我们认为，打破这种权衡需要重新思考压缩作为视觉编码器中的几何感知、连续词元重采样。为此，我们提出了可微分网格采样器（GridS），这是一个即插即用模块，可以对 VLA 中的视觉标记执行任务感知、连续重采样。通过自适应地预测最小的显着坐标集并通过可微插值提取特征，GridS 保留了基本的空间信息，同时实现了大幅压缩（原始视觉标记少于 10%）。在 LIBERO 基准和真实机器人平台上进行的实验表明，通过验证迄今为止报告的最低可行视觉词元计数，GridS 实现了 FLOP 减少 76%，而成功率没有下降。该代码可在 https://github.com/Fediory/Grid-Sampler 获取。