TL;DR

传统的 Vision-Language-Action (VLA) 模型虽然聪明，但“慢”是其致命伤。本文提出的 DySL-VLA 捕捉到了一个核心物理直觉：机器人做动作时，并不是每一秒都同等重要。通过动态跳过大模型中的非核心计算层，DySL-VLA 在保持高精度的同时，实现了 3.75 倍的推理加速，并将训练开销降低了两个数量级，成功让 7B 级别的 VLA 模型在 Jetson Orin 等嵌入式设备上跑出了 23.2 Hz 的实时频率。

1. 痛点：昂贵的“平均主义”计算

目前的 VLA 模型（如 OpenVLA）通常将 LLM 作为骨干网络，推理延迟极大。现有的加速方案（如剪枝、量化）往往对所有动作“一视同仁”。但实际上：

• 非关键动作：例如机械臂在空中的预备移动，轨迹平滑且容错率高。
• 关键动作：例如手指接触物体的一瞬间，需要极高的感知精度和快速反应。

如果对所有步数都堆叠几十层 Transformer 计算，那就是计算资源的巨大浪费；如果直接使用 Early-exit（提前退出），又可能在关键时刻丢失深层特征。

2. 核心直觉：哪些层可以省？什么时候可以省？

2.1 动态-静态层划分 (Dynamic-Static Layer-Skipping)

作者通过分析发现（见下图），VLA 模型中不同层对激活值的改变贡献完全不同。

• 静态层 (Static Layers)：信息量巨大的“核心层”，必须保留。
• 动态层 (Dynamic Layers)：贡献较小的“增量层”，可以根据情况跳过。

不同层跳过后的性能跌幅分析：某些层（如图中波谷）是绝对不能跳过的“信息重地”。

2.2 动作连续性 = 计算复杂度的开关

如何判断当前动作重不重要？作者引入了轨迹连续性 (Trajectory Continuity) 的概念。当机械臂匀速移动时，连续性高，说明任务处于平稳阶段，此时开启“跳过模式”；当检测到动作发生急剧变化或微调时（连续性断裂），说明进入了关键阶段，此时强制关闭跳过功能，全功率计算。

3. 技术实现：由浅入深的“渐进式”学习

3.1 前后跳过指引 (Prior-post skipping guidance)

为了防止跳过决策失误，DySL-VLA 设计了双重保险：

• Pre-skip Prediction：基于历史轨迹预测当前是否可以跳过。
• Post-skip Verification：一旦发现动作预测值异常，立即触发重算，确保精度万无一失。

3.2 跳过感知的两阶段蒸馏

直接训练跳过控制器会导致不收敛。作者采用分步走战略：

1. 第一阶段：只练 Adapter（适配器），让它学习如何补偿被跳过层的信息。
2. 第二阶段：联合训练 Controller 和 Adapter，使用任务损失和稀疏性损失平衡精度与速度。

两阶段训练：先学“补偿”，再学“决策”。

4. 实验战果：更轻、更快、更强

在受限的嵌入式平台 Jetson Orin 上，DySL-VLA 的表现优异：

• 速度提升：相比 RoboFlamingo 基线提升 3.75x。
• 训练效率：可训练参数量从 1.2B 降低到 14M。
• 任务成功率：在 Calvin 数据集上，不仅没降，反而比此前的 DeeR-VLA 提升了 2.1%。

DySL-VLA 在大幅减少参数和计算量的同时，保持了极高的任务成功长度。

5. 深度洞察

DySL-VLA 的成功揭示了机器人学中一个重要的 Inductive Bias：物理世界的连续性可以反哺神经网络的计算分配。 之前的加速研究大多集中在视觉 Token 的压缩上，而本文成功将注意力转向了 LLM 骨干网络的深度方向（Layer-wise redundancy）。

局限性探讨：该方法依赖于轨迹连续性的阈值设定，对于某些天生不连续的任务（如跳跃、快速敲击）可能需要更复杂的启发式规则。

结论

DySL-VLA 不仅仅是一个加速算法，它代表了未来“具身智能”的一个重要趋势：按需分配计算资源。在资源受限的硬件上，这种动态决策机制是通往 SOTA VLA 模型大规模工业应用的必经之路。