推理延迟暴降72%，成本直砍76%！中大×MBZUAI开源A₁模型，打破VLA效率魔咒 | CVPR 2026 Findings
导语：打破VLA效率瓶颈：A₁模型以协同加速方案将推理延迟暴降72%，计算成本砍掉76%，在全开源条件下实现SOTA，为通用机器人操作落地铺平道路。
开放世界机器人操作一直被两大难题卡住脖子：大模型算力成本和推理延迟。千亿级视觉语言模型（VLM）骨干配合迭代扩散或流匹配动作头，让普通硬件根本无法跑起实时控制。来自中山大学、MBZUAI、Spatialtemporal AI与ATeam的联合团队直接抛出了全开源、全透明、自适应、高效率的解决方案——A₁截断式视觉-语言-动作模型。这套预算感知的自适应推理方案同时加速骨干网络与动作头，在仿真和真机上均实现了SOTA性能，彻底打破了“高性能=高成本”的魔咒。
行业痛点：VLA模型很强，但落地代价极其昂贵
Vision-Language-Action（VLA）已成为通用机器人操作的主流范式：大尺度VLM将多模态观测压缩为隐式表示，动作头（扩散/流匹配）再映射为连续电机指令，泛化性极强。然而，落地代价极高：
- 为保证语义理解与可供性推理，模型必须使用数十亿参数的VLM骨干，推理耗时极长；
- 为了动作平滑与精准，动作头普遍采用扩散或流匹配架构，需要十数轮迭代去噪，算力开销巨大；
- 现有优化大多只针对VLM主干，动作头始终是被忽略的瓶颈，即便主干加速，整体延迟依然居高不下；
- 最终结果是：能跑SOTA的VLA模型，必须依赖高端计算集群，普通硬件无法实现实时控制。
团队总结出三个关键观察，直接戳中效率优化核心：
- 轨迹收敛：流匹配轨迹3步内就锁定正确模式，后续迭代收益递减；
- 动作冗余：连续控制步动作平滑变化，只需粗更新；
- 层间耦合：VLM中间层已包含足够空间视觉特征，没必要跑完全层。
一句话：算力只花在“会改变动作”的地方，A₁就此诞生。
核心设计：一套自适应框架，让推理全程高效
A₁没有走“轻量化重训”或“单纯剪枝”的老路，而是从推理全链路出发，提出一套预算感知、动态退出、层间热启动的协同加速方案，在不损失任务成功率的前提下，实现效率数量级提升。A₁由VLM骨干与动作头组成，VLM提供语义与可供性特征，动作头支持流匹配（FM）与MLP两种实现；自适应推理方案同时压缩骨干计算量与动作头迭代次数，兼顾速度与成功率。
1. 多出口训练：让每一层都具备动作预测能力
传统VLA只在最后一层输出动作，A₁在训练阶段就让VLM每一层都连接共享动作头，直接监督各层输出的动作序列。这一设计让模型在推理时，可以随时在中间层读取动作结果，为动态早停打下基础。
2. 动作一致性早停：算力只花在“必要的层”
推理时，模型逐层计算动作，并与上一层结果做一致性校验。当动作变化小于阈值时，直接判定“特征足够”，提前终止主干前向。团队使用余弦相似度、L2距离等指标衡量动作稳定性，并通过训练集统计得到分层阈值，在“节省算力”与“保持精度”之间取得最优平衡。
3. 层间截断流匹配：解决早停带来的次生瓶颈
动态早停虽然加速了VLM，但会让流匹配动作头在每一层都重复执行完整去噪步骤，反而拖慢速度。为此，团队提出层间热启动流匹配：
- 大幅减少单轮去噪步数（从10步降至2步）；
- 上一层的动作输出，直接作为下一层去噪的初始值，实现热启动；
- 避免从随机噪声重新开始，既保证精度，又把动作头开销压到最低。
4. 多机器人泛化训练：开源数据也能练出强迁移模型
A₁采用两阶段训练：第一阶段在大规模开源机器人数据上预训练，学习通用操作先验；第二阶段在真实机器人轨迹上微调，适配不同机型与场景。团队还融合了15951条自研真机数据，进一步缩小仿真到现实的差距，让模型在Franka、AgiBot、OpenArm等多款机械臂上都能稳定工作。
A₁到底解决了VLA的哪些核心痛点？
如果只看加速数字，很容易低估A₁的价值。它真正的突破，是重新定义了高效VLA的设计范式。
1. 第一次实现主干与动作头联合加速
过去的加速方案都是“单边优化”：要么压VLM，要么简动作头。A₁证明，只有协同优化，才能实现端到端延迟大幅下降。早停降低主干计算，热启动流匹配降低动作头迭代，两者耦合，才把延迟从数十秒压到秒级。
2. 用最小精度损失换取最大效率收益
实验显示，即便减少76.6%的主干计算，任务成功率仅小幅下降。这说明：VLA模型存在极端严重的过计算，大量深层特征对机器人操作来说并非必需。A₁用数据证实，动态优化不是“妥协精度”，而是“回归合理计算”。
3. 开源全栈，打破封闭壁垒
当前顶尖VLA大多依赖闭源数据与私有框架，社区难以复现。A₁全程使用开源数据训练，并开放权重、代码、数据处理流程与评估脚本，让小型实验室与普通开发者也能搭建高性能、低成本的机器人控制模型。
从仿真到真机，全面超越现有开源方案
A₁在三类标准场景上完成系统验证，结果显示：它在效率上大幅领先，在性能上同样达到SOTA。
仿真环境：高精度与强泛化兼顾
在LIBERO长期操作基准上，A₁实现96.6%的平均成功率，在物体操作任务上接近满分；在VLABench长程推理任务上，A₁超越π₀.5等模型，展现出优秀的语言理解与任务规划能力；在分布偏移更大的LIBERO-Plus上，A₁零样本性能达到75.3%，显著优于对比方法，证明其特征具备强泛化性。
表1展示了在LIBERO与VLABench基准上，A₁与π₀、π₀.5等主流模型的成功率对比，A₁在多个子任务上均取得最优。
真实机器人：跨平台稳定执行
在Franka、AgiBot、OpenArm、Dobot-Arm四款机械臂上，A₁完成放杯子、摆水果、捡胶水、擦桌子、叠积木等一系列日常操作，平均成功率达到56.7%，明显高于π₀与π₀.5。尤其在小样本学习场景下，A₁能快速适应新任务，表现出极强的实用潜力（详见表2）。
RoboChallenge：开源模型登顶
在包含30个复杂真机任务的RoboChallenge上，A₁在完全开源、无闭源数据的条件下，取得29.00%的平均成功率，超过π₀、X-VLA、RDT-1B等一众开源模型，证明开源路线同样可以做到顶尖水平（详见表3）。
效率表现：延迟与计算量双降
在最优配置下，A₁-FM单回合推理时间从37.8秒降至10.5秒，降幅达72.3%；A₁-MLP最多可减少76.6%的主干计算，依旧保持92%以上的成功率；在真机AgiBot上，模型计算量降低84.6%，操作精度几乎没有下降，真正实现“低成本、高可用”（详见表4、5）。
行为可视化：更稳定、更鲁棒
从任务执行对比图2可以看出：对比模型容易出现物体混淆、夹爪提前闭合、抓取偏移等问题；A₁能稳定识别目标，动作连贯，在长程任务中依然保持高可靠性。同时，真机动态推理可视化（图3）显示：简单移动在浅层即可退出，复杂操作才进入深层，算力分配高度智能。
A₁打开的下一代VLA研究方向
尽管A₁在效率与性能上取得显著突破，团队仍清晰指出当前方案的改进空间，并为后续研究指明方向。
- 无监督预训练：当前预训练依赖带标注的可供性数据，未来可引入无监督或自监督方法，从海量机器人视频与交互数据中自动挖掘可供性先验，进一步扩大数据来源。
- 结合强化学习：A₁以模仿学习为基础，在长程任务中仍存在累积误差。后续可结合强化学习，通过环境实时反馈修正策略，提升复杂场景下的鲁棒性与成功率。
- 异步执行与预测控制：云边推理与机械臂执行之间的同步延迟，仍会影响操作流畅度。团队计划采用异步执行、预测控制等方式，提升真机运行的顺滑度。
- 拓展双臂协同与移动操作：A₁已成功部署在自研双臂移动平台，下一步将重点拓展双臂协同、移动操作、非结构环境适应等能力，向更通用的家庭与工业机器人迈进。
团队与开源信息
A₁第一次把“高性能、高效率、全开源”三件事同时做到位，用一套简单优雅的自适应截断方案，把VLA模型从“实验室奢侈品”拉到“可落地实用款”。研究由中山大学、MBZUAI等机构的青年科学家们共同完成，包括张凯东（中山大学硕士）、张健（MBZUAI博士生）、许镕涛（MBZUAI研究员，无界智慧CTO）等，导师梁小丹教授（中山大学与MBZUAI双聘）在具身智能领域成果颇丰。全套代码、权重、数据pipeline已开放：
论文：A₁: A Fully Transparent Open-Source, Adaptive and Efficient Truncated Vision-Language-Action Model
© 版权声明
本文部分内容、图片整理自互联网公开渠道，版权归原作者所有。ACGFav 仅负责对信息进行整理、翻译或排版优化，不代表本站完全赞同其观点。若文中内容涉及版权问题，请通过本站“关于我们”页面联系站长，我们将尽快核实并处理。
