Buchumschlag

Think Twice, Act Once: Token-Aware Compression and Action Reuse for Efficient Inference in Vision-Language-Action Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tan, Xudong, Yang, Yaoxin, Ye, Peng, Zheng, Jialin, Bai, Bizhe, Wang, Xinyi, Hao, Jia, Chen, Tao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Think Twice, Act Once: Verifier-Guided Action Selection For Embodied Agents
von: Singhi, Nishad, et al.
Veröffentlicht: (2026)

Local Information Matters: Inference Acceleration For Grounded Conversation Generation Models Through Adaptive Local-Aware Token Pruning
von: Bai, Bizhe, et al.
Veröffentlicht: (2025)

Revisiting Multimodal KV Cache Compression: A Frequency-Domain-Guided Outlier-KV-Aware Approach
von: Yang, Yaoxin, et al.
Veröffentlicht: (2025)

Act, Think or Abstain: Complexity-Aware Adaptive Inference for Vision-Language-Action Models
von: Izzo, Riccardo Andrea, et al.
Veröffentlicht: (2026)

TokenCarve: Information-Preserving Visual Token Compression in Multimodal Large Language Models
von: Tan, Xudong, et al.
Veröffentlicht: (2025)

Think Twice, Act Once: A Co-Evolution Framework of LLM and RL for Large-Scale Decision Making
von: Wan, Xu, et al.
Veröffentlicht: (2025)

Learning to Explore with Parameter-Space Noise: A Deep Dive into Parameter-Space Noise for Reinforcement Learning with Verifiable Rewards
von: Bai, Bizhe, et al.
Veröffentlicht: (2026)

M-GRPO: Stabilizing Self-Supervised Reinforcement Learning for Large Language Models with Momentum-Anchored Policy Optimization
von: Bai, Bizhe, et al.
Veröffentlicht: (2025)

Think Twice, Generate Once: Safeguarding by Progressive Self-Reflection
von: Phan, Hoang, et al.
Veröffentlicht: (2025)

FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization
von: Liu, Yicheng, et al.
Veröffentlicht: (2025)

VLCache: Computing 2% Vision Tokens and Reusing 98% for Vision-Language Inference
von: Qin, Shengling, et al.
Veröffentlicht: (2025)

Token Expand-Merge: Training-Free Token Compression for Vision-Language-Action Models
von: Ye, Yifan, et al.
Veröffentlicht: (2025)

Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning
von: Huang, Chi-Pin, et al.
Veröffentlicht: (2026)

ActDistill: General Action-Guided Self-Derived Distillation for Efficient Vision-Language-Action Models
von: Ye, Wencheng, et al.
Veröffentlicht: (2025)

FAST: Efficient Action Tokenization for Vision-Language-Action Models
von: Pertsch, Karl, et al.
Veröffentlicht: (2025)

Think Twice Before You Act: Improving Inverse Problem Solving With MCMC
von: Zhu, Yaxuan, et al.
Veröffentlicht: (2024)

RetoVLA: Reusing Register Tokens for Spatial Reasoning in Vision-Language-Action Models
von: Koo, Jiyeon, et al.
Veröffentlicht: (2025)

Bridging the Semantic-Action Gap in Visual Token Pruning for Efficient VLA Inference
von: Liu, Ziyan, et al.
Veröffentlicht: (2025)

Guide, Think, Act: Interactive Embodied Reasoning in Vision-Language-Action Models
von: Ling, Yiran, et al.
Veröffentlicht: (2026)

ElegantVLA: Learning When to Think for Efficient Vision-Language-Action Models
von: Li, Ye, et al.
Veröffentlicht: (2026)

Think Twice, Click Once: Enhancing GUI Grounding via Fast and Slow Systems
von: Tang, Fei, et al.
Veröffentlicht: (2025)

See Once, Then Act: Vision-Language-Action Model with Task Learning from One-Shot Video Demonstrations
von: Chen, Guangyan, et al.
Veröffentlicht: (2025)

ThinkAct: Vision-Language-Action Reasoning via Reinforced Visual Latent Planning
von: Huang, Chi-Pin, et al.
Veröffentlicht: (2025)

ToFe: Lagged Token Freezing and Reusing for Efficient Vision Transformer Inference
von: Zhang, Haoyue, et al.
Veröffentlicht: (2025)

Once for Both: Single Stage of Importance and Sparsity Search for Vision Transformer Compression
von: Ye, Hancheng, et al.
Veröffentlicht: (2024)

A Survey on Vision-Language-Action Models: An Action Tokenization Perspective
von: Zhong, Yifan, et al.
Veröffentlicht: (2025)

VideoAuto-R1: Video Auto Reasoning via Thinking Once, Answering Twice
von: Liu, Shuming, et al.
Veröffentlicht: (2026)

Don't Think It Twice: Exploit Shift Invariance for Efficient Online Streaming Inference of CNNs
von: Kechris, Christodoulos, et al.
Veröffentlicht: (2024)

SAFE-Pruner: Semantic Attention-Guided Future-Aware Token Pruning for Efficient Vision-Language-Action Manipulation
von: Ma, Shilin, et al.
Veröffentlicht: (2026)

VLA-Cache: Efficient Vision-Language-Action Manipulation via Adaptive Token Caching
von: Xu, Siyu, et al.
Veröffentlicht: (2025)

Adaptive Action Chunking at Inference-time for Vision-Language-Action Models
von: Liang, Yuanchang, et al.
Veröffentlicht: (2026)

ActionCodec: What Makes for Good Action Tokenizers
von: Dong, Zibin, et al.
Veröffentlicht: (2026)

The Compression Gap: Why Discrete Tokenization Limits Vision-Language-Action Model Scaling
von: Shiba, Takuya
Veröffentlicht: (2026)

CombatVLA: An Efficient Vision-Language-Action Model for Combat Tasks in 3D Action Role-Playing Games
von: Chen, Peng, et al.
Veröffentlicht: (2025)

Act to See, See to Act: Diffusion-Driven Perception-Action Interplay for Adaptive Policies
von: Wang, Jing, et al.
Veröffentlicht: (2025)

HyperVLA: Efficient Inference in Vision-Language-Action Models via Hypernetworks
von: Xiong, Zheng, et al.
Veröffentlicht: (2025)

FutureVLA: Joint Visuomotor Prediction for Vision-Language-Action Model
von: Xu, Xiaoxu, et al.
Veröffentlicht: (2026)

ActAvatar: Temporally-Aware Precise Action Control for Talking Avatars
von: Peng, Ziqiao, et al.
Veröffentlicht: (2025)

VQ-VLA: Improving Vision-Language-Action Models via Scaling Vector-Quantized Action Tokenizers
von: Wang, Yating, et al.
Veröffentlicht: (2025)

ThermoAct:Thermal-Aware Vision-Language-Action Models for Robotic Perception and Decision-Making
von: Son, Young-Chae, et al.
Veröffentlicht: (2026)