ReactVLA：通过改进的平均流动作生成实现快速、轻量级的反应式机器人操作

基于扩散的视觉-语言-动作（VLA）策略在表达性和多模式动作分布建模方面表现出了强大的能力。然而，它们对迭代采样的依赖引入了相当大的推理延迟，这限制了它们在反应式闭环机器人操作中的适用性。为了解决这个限制，我们提出了 \texttt{ReactVLA}，一个用于实时机器人操作的轻量级、低延迟的 VLA 框架。 ReactVLA 结合了两种互补的设计：（1）改进的平均流（iMF）动作生成器，可将昂贵的多步扩散采样减少为一步到几步的动作生成；（2）注意力残差（AttnRes），一种动态深度特征路由机制，取代均匀残差累积，以更好地保留与任务相关的多模态表示。我们在大规模模拟基准（包括 LIBERO 和 RoboIMI）以及现实世界的机器人操作任务上评估 \texttt{ReactVLA}。实验结果表明，\texttt{ReactVLA} 始终优于类似大小的 VLA 基线，包括 SmolVLA 和 $π_0$。在具有挑战性的精确操作任务中，与领先的 VLA 模型相比，\texttt{ReactVLA} 的任务性能提高了 1.65$\times$，同时推理速度提高了 4$\times$ 以上。最后，它将现实世界的策略延迟减少到 38.6 毫秒以下，从而在物理机器人平台上实现快速反应控制。请查看我们的项目网站：https://game-loader.github.io/ReactVLA/。