英伟达联合多所高校团队重新设计 VLA 推理流程，提出 TacitVLA 方案，在不降低任务成功率的前提下，机器人动作最高提速 3.4 倍，解决了传统 VLA 模型要等文本推理全部生成完才能输出动作、响应太慢的痛点。原来主流的视觉语言动作模型，执行任务时会先自回归生成一段文本推理内容，用来描述场景、规划步骤，再输出机器人动作，这套方式能拉高任务成功率，但生成文本 token 会占用大量时间，实验数据显示，文本推理最多能占到单次模型调用总耗时的 70%，直接拖慢机器人实时反应，很难落地在对延迟敏感的实体机器人、自动驾驶场景。研究团队拆解整套模型的运行逻辑之后发现，机器人动作本身并不需要读取本次生成出来的推理文本，只要模型在训练阶段学会生成推理文本，就能保留高成功率的能力，动作输出可以和文本推理并行跑，不用排队等待。整套新方案落地之后，在机器人操作、自动驾驶的四项基准测试里，TacitVLA 保持和显式推理版本差不多的成功率，延迟最高压缩到原来的三分之一左右；如果固定运行速度对比，相比没有推理训练的基础模型，任务成功率最多提升 17 个百分点，在长记忆任务测试里也维持稳定表现。
传统 VLA 旧流程
- 接收图像观测，启动文本推理生成
- 逐 token 输出推理文字，完成全部文本生成
- 读取完整推理文本，再输出机器人动作
- 机器人执行动作，进入下一轮循环
TacitVLA 新流程
- 接收图像观测，同步启动文本分支、动作分支
- 文本分支照常生成推理内容，用于模型能力学习
- 动作分支不需要等待文本写完，直接输出动作指令
- 机器人立刻执行动作，两条分支异步运行
核心对比表格
| 对比项 | 传统显式推理 VLA | TacitVLA 重构方案 |
|---|---|---|
| 动作触发时机 | 文本推理全部完成之后 | 和文本推理并行启动 |
| 推理文本作用 | 给动作分支读取参考 | 仅用于训练，动作不读取 |
| 最大提速幅度 | 基准 | 最高 3.4 倍 |
| 任务成功率 | 高 | 和原版基本持平 |
| 同等速度下相对无推理模型 | 基准 | 最高 + 17% 成功率 |
【常见问题】
问题 1：TacitVLA 重构 VLA 推理之后，机器人动作提速 3.4 倍，会不会直接降低机器人任务成功率？
回答 1：不会，这套重新设计的 VLA 推理方案核心目标就是保住原有成功率，测试结果显示 TacitVLA 成功率和显式推理版本接近，只是把动作和文本推理改成并行，不是删掉推理训练，同等速度对比无推理模型，成功率还能最高上涨 17 个百分点。
问题 2：这次英伟达改造 VLA 推理实现机器人动作提速 3.4 倍，是直接删掉推理文本吗？
回答 2：并不是删掉推理文本，TacitVLA 模型依然会生成推理文本，只是动作分支不再等待、不再读取这一轮产出的文本，推理文本用来保障模型训练效果，不再作为动作输出的前置门槛。
问题 3：支持这套提速 VLA 推理的 TacitVLA，目前能用在哪些场景？
回答 3：这套重构后的 VLA 推理方案，已经在机器人操作、自动驾驶四类基准任务完成验证，适合所有对实时性要求高、需要边看边行动的物理 AI 场景。
问题 4：为什么原来的 VLA 推理模式会拖慢机器人，最多占用七成耗时？
回答 4：传统 VLA 推理是串行模式，文本要一个 token 接着一个 token 生成，动作必须等全部文本输出完毕才启动，文本生成本身开销大，所以最多占用单次调用 70% 的耗时。
【参考资料】
[2026-11-08]（英伟达等重新设计 VLA 推理！机器人动作提速 3.4 倍）新浪财经
【免责声明】
本文信息仅为公开科研资讯整理，相关模型性能数据来自论文公开实验结果，不代表产品商用承诺；方案落地、实际部署效果会受硬件、数据集、场景条件影响，不构成技术采购、项目落地建议。