TacitVLA：无推理延迟的推理型视觉—语言—动作模型

基于摘要分析。本文研究机器人操作与自动驾驶中的视觉—语言—动作（VLA）模型：能否保留文本推理带来的性能收益，却不让动作等待自回归推理文本生成。TacitVLA 将推理监督与当前动作对推理文本的依赖解耦；作者认为，推理监督已改善骨干表征，因此动作无需读取当前生成的推理也能受益。 核心机制是动作专家不关注本次调用生成的推理文本。对于将推理文本作为情景记忆的长时程任务，模型可在动作执行期间生成记忆条目，而非先生成再行动。这并不等于取消推理生成或历史记忆，而是将当前推理生成移出动作等待路径。具体网络结构、监督形式、损失及并行执行调度尚未验证。 作者报告，在覆盖操作、自动驾驶以及有记忆和无记忆任务的 RoboMME、RMBench、LIBERO、PhysicalAI-AV 四个基准上，TacitVLA 达到显式推理对照的性能，延迟优势最高达 3.4 倍；相较同架构但不使用推理训练的模型，延迟相当，成功率增益最高为原文所述“+17.1%”，该增益是相对百分比还是百分点尚需核对。作者报告，RoboMME Counting suite 成功率为 82.7%，此前最佳已发表结果为 66.8%；RMBench 为 77.5%，此前结果为 56.5%；LIBERO-Plus 为 72.9%；PhysicalAI-AV 闭环驾驶挑战公开划分的 scene score 为 52.5%。这些指标属于不同任务与协议，不能直接横向比较；实验划分、延迟测量条件、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是辅助推理监督可能改善表征，而实时输出不必依赖在线文本解码，并非将 VLA 直接用于 EEG。若 EEG 任务已有可信解释标注，可在同一被试划分和同一模型下，比较无解释监督、解释监督但直接解码、先生成解释再解码三种条件的 Accuracy 与端到端延迟。需要改造信号编码与监督接口；低信噪比、跨被试差异、小数据及解释标注质量可能使该假设失效。已有 EEG 相关工作尚未检索确认。