VLA-ZO：视觉-语言-动作模型的快速零阶适应

使视觉-语言-动作 (VLA) 模型适应部署时间分布变化对于可靠的机器人操作非常重要，但传统的一阶自适应可能会超出面向推理的部署平台的记忆预算。零阶 (ZO) 优化提供了推理级记忆的仅前向替代方案，但准确的梯度估计需要许多扰动查询，这使得朴素 ZO 对于大型VLA模型来说速度极其缓慢。我们提出了VLA-ZO，一种利用VLA计算结构的快速 ZO 适应框架。通过将适应限制在动作方面，VLA-ZO 冻结了昂贵的视觉语言前缀，并在扰动查询和优化器步骤中重用其条件状态，而调度感知预取则隐藏了状态传输开销。在 LIBERO 相机视点变化上，相对于基线 ZO，VLA-ZO 将端到端适应时间在 $q=16$ 处减少了 25.59$\times$，在 $q=64$ 处减少了 32.54$\times$，同时将平均任务成功率从没有适应的 48.27% 分别提高到 58.17% 和 63.58%。这些结果表明，使 ZO 更快可以使更大的查询预算切实可行，从而为部署平台上资源高效的VLA适应提供了一条有希望的途径。