FastVLA：タスク条件付き時間適応型視覚トークン圧縮による効率的なVision-Language-Actionモデル

- Vision-Language-Action (VLA) モデルの推論効率化を目的とした visual token 圧縮フレームワーク FastVLA を提案。 - 各 timestep で高解像度・多視点画像から数百の visual token が生成され、transformer 計算と遅延を支配する問題に対処。 - training-free で task-aware かつ temporally adaptive な visual token 圧縮を実現。 - OpenVLA、OpenVLA-OFT、CogACT に適用し、LIBERO、SIMPLER、実機 Franka Research 3 で評価。

- 既存の attention ベース token 圧縮は VLA 制御では不十分。 - 決定に重要な token は generic な visual saliency ではなくタスクに依存する点を指摘。 - token 予算はステップ間で大きく変動するため、静的指標・固定予算では計算浪費や制御-critical token の破棄が生じる。 - FastVLA は task-to-vision attention と適応的圧縮率でこれら課題に対処し、既存の plug-and-play token compression/pruning/reuse ベースラインと比較して同等以上の効率-性能トレードオフを達成。

- training-free な枠組み。 - 各ステップで task-to-vision attention により token 重要度をスコアリング。 - 重要度分布の uniformity を inverse-Simpson 指標で測定し、online sliding-window calibration を用いて圧縮率を適応的に設定。 - これによりタスク依存の decision-critical token を保持しつつ、ステップごとに token 予算を動的に調整。

- OpenVLA、OpenVLA-OFT、CogACT を LIBERO と SIMPLER で評価。 - 実機 Franka Research 3 ロボットでも検証。 - シミュレーションで LLM-backbone FLOPs を 35-59% 削減、action latency を 9-32% 削減（1.09×-1.46× 高速化）しつつタスク成功率を維持。 - 実機で end-to-end latency を 20% 削減（1.25× 高速化）し、同等の成功率を達成。

- 既存の plug-and-play token compression/pruning/reuse ベースラインと比較して、同等またはより良い効率-性能トレードオフを達成したと主張。 - ただし、圧縮率の適応的設定や inverse-Simpson 指標の限界、他タスク・他ロボットへの汎化性については要旨からは不明。 - 実機実験は Franka Research 3 のみで、より多様な実環境での検証は要旨からは不明。

- OpenVLA - OpenVLA-OFT - CogACT - LIBERO - SIMPLER - 既存の plug-and-play token compression/pruning/reuse ベースライン（具体的名称は要旨からは不明）