TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM

📄 arXiv: 2607.27205v1 📥 PDF

作者: Hengyi Xie, Chenfei Yao, Xianjin Wu, Xuanyang Xi, Yiping Tang, Di Xu, Yingying Zhu, Dingkang Liang, Xiang Bai, Han Ding

分类: cs.CV, cs.RO

发布日期: 2026-07-29

备注: Code is available at https://github.com/H-EmbodVis/TurboVLA

🔗 代码/项目: GITHUB

💡 一句话要点

提出TurboVLA以解决现有VLA模型的计算和内存开销问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 机器人操作 高效推理 多模态交互 轻量级模型

📋 核心要点

  1. 现有的VLA模型依赖大型语言模型，导致每次策略调用时计算和内存开销巨大。
  2. TurboVLA通过将$V o L o A$路径重构为$V + L o A$映射，独立编码视觉和语言信息，简化了模型结构。
  3. 在LIBERO数据集上，TurboVLA以0.2B参数和31.2毫秒的推理延迟实现了97.7%的成功率，性能优于更大模型。

📝 摘要（中文）

视觉-语言-动作（VLA）模型通常采用以大型语言模型为中心的$V o L o A$路径，该设计在每次策略调用时会产生显著的计算和内存开销。本文提出TurboVLA，一种新的VLA范式，将传统的$V o L o A$路径重构为直接的$V + L o A$映射。TurboVLA独立编码视觉观察和语言指令，通过轻量级的双向视觉-语言交互直接交换信息，并使用紧凑的解码器预测连续的动作片段。这种简单的设计直接从视觉和语言特征构建任务条件表示，显著降低了VLA推理的计算和内存成本。在LIBERO上，TurboVLA以仅0.2B参数、31.2毫秒推理延迟和0.9 GB推理显存实现了97.7%的平均成功率，匹配或超越了更大规模的VLA策略。这些结果确立了TurboVLA作为现有LLM中心VLA范式的简单有效替代方案，为视觉、语言和动作的高效连接提供了新视角。

🔬 方法详解

问题定义：本文旨在解决现有视觉-语言-动作（VLA）模型在推理过程中面临的高计算和内存开销问题。传统的$V o L o A$路径依赖大型语言模型，导致效率低下。

核心思路：TurboVLA的核心思想是将传统的VLA路径重构为直接的$V + L o A$映射，独立编码视觉和语言信息，通过轻量级的双向交互直接进行信息交换，从而简化模型结构并提高推理效率。

技术框架：TurboVLA的整体架构包括视觉观察编码模块、语言指令编码模块、双向视觉-语言交互模块和紧凑的解码器。视觉和语言信息在编码后直接交互，生成连续的动作片段。

关键创新：TurboVLA的主要创新在于其不再依赖大型语言模型作为中心接口，而是通过独立编码和轻量级交互实现视觉和语言的直接映射。这一设计显著降低了计算和内存成本。

关键设计：TurboVLA使用了0.2B参数的紧凑网络结构，采用了高效的损失函数和轻量级的双向交互机制，确保了在保持高性能的同时，推理延迟仅为31.2毫秒，显存占用为0.9 GB。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

TurboVLA在LIBERO数据集上实现了97.7%的平均成功率，推理延迟仅为31.2毫秒，显存占用为0.9 GB，且参数量仅为0.2B。这些结果表明TurboVLA在性能上与更大规模的VLA策略相当或更优，展示了其在实际应用中的巨大潜力。

🎯 应用场景

TurboVLA的研究成果在机器人操作、自动化控制和人机交互等领域具有广泛的应用潜力。通过高效的视觉-语言-动作整合，TurboVLA能够提升机器人在复杂环境中的自主决策能力，推动智能机器人技术的发展。

📄 摘要（原文）

Vision-language-action (VLA) models commonly adopt an LLM-centric $V \to L \to A$ pathway, where visual observations are projected into the representation space of a large language model before being decoded into robot actions. Although effective, this design incurs substantial computation and memory overhead at every policy invocation. In this work, we introduce TurboVLA, a new VLA paradigm that reformulates the conventional $V \to L \to A$ pathway as a direct $V + L \to A$ mapping. Instead of using a large language model as the central interface between perception and action, TurboVLA independently encodes visual observations and language instructions, directly exchanges information between them through lightweight bidirectional vision-language interaction, and predicts continuous action chunks with a compact decoder. This simple design constructs task-conditioned representations directly from visual and linguistic features, significantly reducing the computational and memory costs of VLA inference. On LIBERO, TurboVLA achieves 97.7% average success with only 0.2B parameters, 31.2 ms inference latency, and 0.9 GB inference VRAM on a consumer-grade RTX 4090, matching or outperforming substantially larger VLA policies. These results establish TurboVLA as a simple and effective alternative to the prevailing LLM-centric VLA paradigm, offering a new perspective on how vision, language, and action can be connected for efficient robotic manipulation. Code is available at https://github.com/H-EmbodVis/TurboVLA.