IJCAI 2026 論文提出 AC²-VLA 加速框架：以動作上下文調度計算，推理速度提升 1.79 倍

據報導，IJCAI 2026 收錄論文提出 AC²-VLA（Action-Context-Aware Adaptive Computation）框架，旨在解決 VLA（視覺-語言-動作）模型推理延遲過高、難以保證即時控制頻率的問題。 有別於傳統依賴視覺複雜度來刪減計算量的方法，AC²-VLA 改以「動作上下文」作為調度訊號。模型將視覺觀測、語言指令 embedding 與上一時刻動作資訊組合成先驗條件向量，輸入至統一的路由器（router）。該 router 負責統籌三項自適應計算策略： 1. 認知快取復用（cognition caching）：當動作狀態穩定且視覺狀態匹配時，跳過 VLM 骨幹網路計算，直接將快取特徵送入 action head。 2. 視覺 token 剪枝（token pruning）：依動作階段為 token 打分，剔除不相關區域以縮短序列長度。 3. 層跳過（layer skipping）：依動作上下文判斷所需網路深度，動態跳過不需要的 Transformer 層。 在訓練方面，AC²-VLA 採用自蒸餾（self-distillation），以在 Open X-Embodiment 資料集訓練過的稠密模型為 teacher，讓稀疏化後的 student 模仿其動作輸出與特徵表示，使其具備跨骨幹網路的可遷移性。 實驗數據顯示，基於 CogACT 構建的 AC²-VLA 在 SIMPLER 仿真基準（Google Robot Visual Matching 設定）測試中，計算量（FLOPs）降至原始模型的 29.4%，實際端到端推理速度提升 1.79 倍。加速並未導致精度下降，四項任務平均成功率達 76.8%，超越稠密基線 CogACT 的 74.8% 與 RT-2-X 的 46.3%；其中 Drawer Opening 任務成功率由 71.8% 升至 80.6%。 消融實驗證實三項機制缺一不可。此外研究發現，若設定快取閾值 τcache = 0.2，特徵復用帶來的時間一致性可減少高頻視覺雜訊導致的動作抖動，使成功率進一步提升至 87.1%。