TurboVLA：RTX 4090上以32 Hz运行、VRAM低于1 GB的实时视觉-语言-动作模型

视觉-语言-动作（VLA）模型通常采用以LLM为中心的“视觉→语言→动作”路径，即先将视觉观测投影到大语言模型的表示空间，再解码为机器人动作。尽管这种方法有效，但每次策略调用都会产生大量的计算和内存开销。本文提出TurboVLA，一种新的VLA范式，将传统的“V→L→A”路径重构为直接的“V+L→A”映射。TurboVLA不再将大语言模型作为感知与动作之间的中央接口，而是独立编码视觉观测和语言指令，通过轻量级的双向视觉-语言交互直接交换信息，并使用紧凑的解码器预测连续动作块。这种简单设计直接从视觉和语言特征构建任务条件化表示，显著降低了VLA推理的计算和内存成本。在LIBERO上，TurboVLA仅用0.2B参数、31.2毫秒推理延迟和0.9 GB推理显存（在消费级RTX 4090上）就达到了97.7%的平均成功率，与或优于规模大得多的VLA策略。这些结果确立了TurboVLA作为当前以LLM为中心的VLA范式的简单有效替代方案，为如何连接视觉、语言和动作以实现高效机器人操作提供了新视角。代码已开源：https://github.com/H-EmbodVis/TurboVLA。