VLA-ATTC：基于相对动作评判模型的自适应测试时计算框架

视觉-语言-动作（VLA）模型在具身操作任务中展现了出色的能力和泛化性能。然而，其决策过程依赖于快速、直觉式的反应，缺乏深思熟虑。这种策略在面对复杂或模糊场景时，常常导致次优甚至灾难性的行动。为了解决这一问题，研究人员提出了VLA-ATTC框架，为VLA模型赋予自适应测试时计算能力。该框架引入基于不确定性的“认知离合器”，在必要时从反射性执行动态切换到测试时计算（TTC）的深思阶段。在TTC阶段，一种新颖的相对动作评判（RAC）模型通过成对比较从生成的候选动作中识别出最优动作。这种相对机制取代了不稳定的绝对值估计，显著简化了学习目标。此外，研究团队还提出了一种高效的采样策略来分摊计算成本，以及一个无需人工标注即可整理偏好对的自动化数据管线。在LIBERO-LONG基准测试中，VLA-ATTC将当前最优模型PI0.5的失败率降低了超过50%。所有代码和权重将开源。该工作由来自澳大利亚和中国的多位学者合作完成，相关论文于2026年5月提交至arXiv。VLA-ATTC不仅提升了任务成功率，还为VLA模型在更广泛领域中的应用提供了新的思路，尤其在需要谨慎决策的机器人操作任务中具有巨大潜力。未来的工作将探索如何进一步优化TTC阶段的效率，以及如何将该框架扩展到更复杂的多步操作场景。