**VisualThink-VLA：用于高效低延迟视觉-语言-动作策略的视觉中间推理**

_VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies_

> 本文提出VisualThink-VLA，一种视觉中间推理框架，旨在解决当前视觉-语言-动作（VLA）策略中显式文本推理的局限性。该框架通过紧凑的视觉证据接口引导动作预测，避免了文本解码的开销和干扰，同时保持空间精度。它采用选择性路由机制学习视觉证据词，实现了低延迟推理。实验表明，VisualThink-VLA在多个基准测试和真实机器人评估中取得最高成功率，并将推理增强基线的多秒延迟降低至亚秒级，例如在BridgeData V2上将步骤延迟从8.377秒降至0.367秒，加速22.8倍。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-01 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.30011)