SPAR：面向视觉-语言-动作模型的结构剪枝与动作恢复

基于摘要分析。本文研究机器人机载算力有限时，如何压缩视觉-语言-动作（VLA）模型并恢复操作性能，提出 SPAR（Structural Pruning and Action Recovery）：先通过剪枝感知调优压缩 LLM 骨干，再用强化学习（RL）恢复策略性能。主要研究对象是机器人操作策略，而非 EEG 解码或 BCI。 机制上，SPAR 同时剪除 LLM 骨干的隐藏维度与前馈网络中间维度，随后进行 RL 恢复，针对激进压缩后的性能下降难以仅靠监督微调恢复这一问题。摘要未提供维度选择准则、调优目标、RL 算法及奖励设计，具体实现尚未验证。 作者报告，在 π₀.₅ 上，语言骨干参数量从 2.34B 降至 0.09B，完整模型从 3.37B 降至 1.12B，分别移除约 96% 与 67% 的参数。在这一压缩设置下，RL 将四个 LIBERO suite 的平均成功率从 84.55% 提升至 93.45%，增加 8.90 个百分点；压缩策略相对未剪枝模型实现 1.98 倍完整策略推理加速。该成功率变化反映压缩后 RL 恢复的收益，不能据此认定其已达到或超过未剪枝策略的操作性能。测试硬件、计时口径、各 suite 结果、训练与评估划分、消融及统计信息尚未验证。 平台推测（待验证）：其可借鉴机制是联合压缩隐藏与中间维度，并以任务目标恢复性能，但机器人交互奖励与 EEG 监督解码的数据结构不同，原结果不构成 BCI 有效性的证据。若用于 EEG Transformer 压缩，可复用结构剪枝思路，但恢复目标需重新设计；低信噪比、跨被试差异和小数据可能使被剪维度中的弱判别信息难以恢复。一个可证伪的小实验是在固定跨被试划分、相同压缩预算下，对比未剪枝、剪枝后监督微调及任务目标恢复，联合评估解码指标与实测延迟。已有 EEG 相关工作尚未检索确认。