Zespół z MIT wraz ze współpracownikami z Nvidii, Tsinghua i trzech amerykańskich uczelni opublikował 1 sierpnia 2026 roku metodę VLASH, która likwiduje przerwy między kolejnymi ruchami robota sterowanego modelem wizja-język-akcja (VLA). Zamiast czekać na wynik obliczeń, robot planuje następną akcję już w trakcie wykonywania poprzedniej. Według pracy na arXiv daje to nawet 11,8× niższe opóźnienie reakcji, bez zmian w architekturze modelu.
Najważniejsze w skrócie
- VLASH to metoda asynchronicznego wnioskowania dla modeli VLA — pełna nazwa: Real-Time VLAs via Future-State-Aware Asynchronous Inference.
- Opóźnienie reakcji spada nawet 11,8× względem klasycznego wnioskowania synchronicznego (dane z pracy na arXiv).
- Z kwantyzacją akcji zadania kończą się 1,5–2,0× szybciej, a MIT podaje przyspieszenie reakcji nawet 30×.
- W teście sortowania kostek utrzymano 90% skuteczności, a czas dostrajania skrócono pięciokrotnie.
- Kod udostępniono publicznie na GitHubie (mit-han-lab/vlash), a pracę zaplanowano na konferencję IROS.
Problem: robot, który zastyga, gdy myśli
Modele VLA sterują robotem, zamieniając obraz z kamery i polecenie w języku naturalnym na sekwencję ruchów. Ich słabością jest sposób działania: klasyczne wnioskowanie synchroniczne?Wnioskowanie synchroniczne: Model liczy kolejną porcję ruchów dopiero, gdy robot skończy poprzednią — więc robot musi na tę chwilę się zatrzymać. wymaga, by robot zatrzymał się i poczekał, aż model policzy kolejną porcję akcji. Przy dużych modelach ta pauza jest widoczna — robot rusza szarpnięciami, a szybkie zadania stają się nieosiągalne.
VLASH atakuje właśnie tę lukę czasową między predykcją a wykonaniem. Zamiast liczyć następny ruch od stanu, w którym robot jest teraz, metoda przewiduje, gdzie robot znajdzie się po zakończeniu bieżącej akcji, i na tej podstawie przygotowuje kolejną porcję ruchów.
Nazwa metody rozkłada się na trzy pomysły:
Naszą motywacją było nałożenie procesu myślenia na proces wykonania, żeby przyspieszyć reakcję.
Jiaming Tang, doktorant MIT, współautor pracy.
Wyniki: liczby i ich kontekst
Najmocniejszy wynik dotyczy właśnie opóźnienia. Komunikat MIT ujmuje to szerzej, mówiąc o przyspieszeniu reakcji nawet 30-krotnym w części testów, przy zachowaniu — a niekiedy poprawie — skuteczności wobec wcześniejszych metod asynchronicznych.
Reszta liczb pokazuje, że nie odbywa się to kosztem jakości. W połączeniu z kwantyzacją akcji?Kwantyzacja akcji: Kompresja reprezentacji ruchu do mniejszej liczby wartości — mniej danych do policzenia na każdym kroku. zadania kończą się 1,5–2,0× szybciej, a w teście sortowania kostek robot utrzymał 90% skuteczności przy podwojonym tempie. MIT podaje też pięciokrotne skrócenie czasu dostrajania modelu, bez dodatkowego zapotrzebowania na moc obliczeniową.
Metodę przetestowano na ramionach robotycznych wykonujących układanie, sortowanie i pick-and-place, a także w zadaniach wymagających refleksu — ping-pongu i whack-a-mole — które przy klasycznym wnioskowaniu były praktycznie poza zasięgiem.
Na tle innych podejść
Przyspieszanie robotów VLA to gorący kierunek. Wcześniej opisywaliśmy framework PolicyTrim, który skracał czas wykonania zadań nawet 5,83× w symulacji — ale przez przycinanie samej polityki sterowania. VLASH działa inaczej: nie zmienia modelu ani architektury, tylko sposób, w jaki wnioskowanie splata się z ruchem. To czyni metodę komplementarną wobec technik kompresji, a nie konkurencyjną — obie można łączyć.
Pracę firmuje grupa Song Hana, profesora nadzwyczajnego na Wydziale Elektrotechniki i Informatyki MIT, znanego z badań nad wydajnym wnioskowaniem. Współautorami są m.in. Jiaming Tang (MIT) i Yufei Sun (Tsinghua), a finansowanie zapewniły MIT-IBM Computing Research Lab, Amazon, National Science Foundation i Nvidia.
Dlaczego to ważne?
Opóźnienie jest dziś jedną z głównych barier w przenoszeniu dużych modeli VLA z laboratorium do zadań w czasie rzeczywistym. Metoda, która obniża latencję o rząd wielkości bez zmiany modelu i bez dodatkowego sprzętu, obniża próg wejścia dla większych, zdolniejszych polityk sterowania. Kluczowe jest to, że VLASH nie wymaga przeprojektowania architektury — można ją nałożyć na istniejące modele. Jeśli wyniki potwierdzą się poza wąskim zestawem zadań, reakcja przestanie być argumentem za wybieraniem mniejszych, słabszych modeli tylko dlatego, że są szybsze.
Co dalej?
- Pracę VLASH zaplanowano do prezentacji na konferencji IROS (Intelligent Robots and Systems).
- Kod jest już dostępny publicznie na GitHubie (mit-han-lab/vlash), co pozwala niezależnie zweryfikować deklarowane wyniki.
- Otwartym pytaniem pozostaje skala: testy objęły ramiona robotyczne, nie pełne humanoidy z lokomocją — tam koszt błędnej predykcji stanu jest wyższy.
