AREX Feed Article
VLA赛道人人都在堆大模型，华科和华为的TurboVLA直接把它扔了
过去三年，VLA（Vision-Language-Action）模型的默认架构是V→L→A：视觉输入 → 大语言模型 → 动作输出。
LLM是这个链条的心脏。OpenVLA有7B参数，π₀.₅有3.4B参数，SmolVLA也有2.3B。越大越好，越重越强。
2026年7月30日，华中科技大学和华为的联合团队发布TurboVLA。0.2B参数。内部没有大语言模型。
它的架构是V+L→A：视觉和语言各自独立编码，通过双向交叉注意力直接交互，然后输出连续动作。在LIBERO基准上，97.7%平均成功率，推理延迟31.2毫秒，显存占用0.9GB。全部在一张消费级RTX 4090上完成。
作为对比，OpenVLA在同样的卡上需要约14GB显存，吞吐量只有6Hz。
0.2B参数，32Hz，不到1GB显存，而且成绩没掉
TurboVLA的核心数据值得单独列出来。
LIBERO是当前VLA领域最常用的仿真操作基准，覆盖空间泛化、物体泛化、目标泛化和长序列四个子集。TurboVLA在这四个子集上的成功率分别是99.2%、99.8%、97.4%和94.2%，平均97.7%。
对比组：OpenVLA-OFT（7.7B参数，15.7GB VRAM，112ms延迟）得分97.1%。π₀.₅（3.4B，12.8GB，93.6ms）得分96.9%。VLA-Adapter（1.5B，4.3GB，87.3ms）得分97.3%。
TurboVLA的参数是OpenVLA的约1/35，推理速度快3.6倍，显存只需要1/17。而成功率还略高。
在RoboTwin 2.0的双臂操作基准上，TurboVLA以60.2%超过π₀.₅的57.0%。
在真实机器人平台上，TurboVLA完成了同步推理的实时操控任务。论文和项目页面有实物演示视频。代码以Apache 2.0协议开源在GitHub，发布两天已有64颗星。
扔掉大模型之后，V+L→A这条路怎么走
TurboVLA的架构设计可以总结为三个选择。
第一个选择：视觉和语言各自独立编码。视觉端用DINOv3 ViT-B，语言端用BERT base uncased。两个都是成熟的小模型，不引入LLM。DINOv3提取视觉的self-supervised特征，BERT提供指令语义。两者投影到d=256的共享空间。
第二个选择：双向视觉-语言交互替代LLM居中调度。传统V→L→A里，视觉token先被"翻译"成LLM能理解的形式，与指令token混合后由LLM处理，再从hidden state中解码动作。
TurboVLA让视觉特征和指令特征通过6层双向交叉注意力直接互相"校准"：视觉看指令，指令看视觉。初始化权重来自GroundingDINO的特征增强模块。这一设计借用了视觉定位模型的思路，在TurboVLA里被重新用于动作预测。
第三个选择：非自回归的动作块预测。大多数LLM-centric VLA需要逐token生成离散动作，或通过action expert一次预测一个动作。TurboVLA使用ACT-style Transformer解码器，以融合后的多模态特征和机器人状态为输入，一次前向传播输出长度为12的动作块。
论文数字：31.2毫秒策略延迟，换算为32Hz控制频率。
论文还有一个隐含但重要的论证：执行级操控不需要大语言模型。指令的作用是告诉机器人"做什么"。一旦指令被解析，执行策略只需利用视觉证据引导动作。这个过程不需要开放域语言生成或自主任务分解。BERT级别的语义理解足够覆盖执行级指令。
换句话说，LLM在VLA的执行回路里是过度设计的。
这个论证直接回应了最尖锐的质疑：扔掉LLM，泛化能力会不会崩？LIBERO的四项子测试表明，0.2B的非LLM架构保持了与7B+模型相当的语言条件泛化。
但论文没有系统性地量化开放词汇泛化的损失。AI Weekly的评论指出了这个核心风险："[TurboVLA] also gives up the open-vocabulary generalization those systems inherit from web-scale pretraining, and the paper does not quantify that trade-off."
华科遇见华为：一支横跨学术界和产业界的10人团队
TurboVLA的作者名单上有10个人，来自两个机构。
华中科技大学方面：Hengyi Xie（谢恒义）和Chenfei Yao（姚晨飞）为共同第一作者，按姓氏字母排序。Dingkang Liang（梁定康）是项目负责人。Xiang Bai（白翔）和Han Ding（丁汉）为指导教授。Yingying Zhu（朱盈盈）和Xianjin Wu（吴先晋）也参与了研究。
华为方面：Xuanyang Xi（席轩阳）、Yiping Tang（唐一平）、Di Xu（徐迪）三人。
华科和华为的合作有其逻辑。白翔教授是计算机视觉领域资深学者，在文本检测与识别方向有长期积累。丁汉教授是机器人领域权威。华为近年来在具身智能方向持续投入，2025年曾展示基于盘古大模型的工业机器人方案。
TurboVLA的方向，把视觉定位技术（GroundingDINO风格的双向交互）跨领域用于机器人操控，正好卡在两个团队的交叉点上。项目托管在H-EmbodVis的GitHub组织下，体现了华科"具身视觉"（Embodied Vision）实验室的定位。论文发布于2026年7月30日，arXiv编号2607.27205。
同一天，Google DeepMind发布了Gemini Robotics 2
TurboVLA发布的同一天，Google DeepMind推出了Gemini Robotics 2，一套三模型体系：Gemini Robotics 2 VLA、Gemini Robotics ER 2（具身推理）和Gemini Robotics On-Device 2。
Gemini Robotics 2的博客标题是"One brain. For any robot"，主打全身控制、灵巧操作和多机器人协作。该推文在X上获得3923个赞、616次转发、83.7万次浏览。
两者放在一起，路线对比鲜明。Google：更大的基座模型，更强的泛化，从桌面操作扩展到全身人形机器人。TurboVLA：更小的专用架构，极致的效率，在消费级GPU上跑实时控制。
两条路线不是互斥的。Gemini Robotics ER 2做高层推理和任务规划，TurboVLA做执行级控制，理论上可以互补。
但TurboVLA的实验结果提出了一个更尖锐的问题：如果0.2B参数的非LLM架构就能在执行层面匹配7.7B的LLM-centric模型，那LLM在VLA里的真实贡献到底是什么？
NVIDIA机器人负责人Jim Fan在2025年12月就公开说过"VLM-based VLA feels wrong"，认为把动作解码器挂在VLM checkpoint上是脆弱的嫁接。TurboVLA给了这个判断一份实验证据。
TechTimes的报道给出了一个对比：OpenVLA在RTX 4090上需要约14GB显存和约6Hz吞吐量。TurboVLA用0.9GB显存跑32Hz。速度快5倍，显存仅1/16。而AMD本月早些时候推出Ryzen AI Embedded X100处理器，128GB统一内存的卖点正是为VLA推理准备的。TurboVLA暗示问题不在硬件，而在架构。
在X上，@denogrowth写道："大多数VLA模型仍然需要数据中心GPU才能达到实时。这个模型在单张RTX 4090上跑到32Hz，不到1GB显存。造实时响应机器人的门槛降到了一张消费级GPU。"
@BuildSignals更简洁："0.2B参数，<1GB VRAM，32Hz。他们停止把所有东西都塞进一个大语言模型，然后它就成了。"
如果大模型不是必需的，VLA赛道往哪个方向拐
TurboVLA不是一个完美的答案。LIBERO是仿真环境，桌面操作任务的复杂度远低于真实世界的全身操控。60.2%的RoboTwin 2.0成绩说明双臂协同还有很多路要走。开放词汇泛化的损失没有被量化。
但TurboVLA的价值不在于它是否替代了OpenVLA或Gemini Robotics。它的价值在于，用一个干净的实验设计，把一个被默认了三年的架构假设变成了一个可以被检验的问题：VLA是不是一定要绕着大语言模型转？
TurboVLA的回答是：在执行层面，不需要。
这个回答的影响面很具体。一个大学机器人实验室、一个硬件爱好者、一个小型创业团队，他们现有的一张RTX 4090，现在可以跑一个97.7%成功率的语言条件操控策略，而不是等着云端推理或专用芯片降价。
VLA的下一个阶段，可能不再是"更大的VLM + 更好的action head"。TurboVLA打开了另一条路：把高层推理和低层控制拆开，让各自用最适合的架构。Gemini Robotics 2已经在做这个拆分。TurboVLA证明了，做动作的那一半，可以有多轻。
参考链接：
- 论文：
- 项目页面：
- GitHub仓库：
- HuggingFace Papers：
- AI Weekly报道：
- TechTimes报道：
- Google DeepMind Gemini Robotics 2：