• Paper: https://arxiv.org/abs/2602.03782
• GitHub: https://github.com/AutoLab-SAI-SJTU/QVLA

随着 OpenVLA、RT-2 等视觉-语言-动作（VLA）模型的爆发，具身智能（Embodied AI）正迎来它的“ChatGPT时刻”。然而，这些庞大的模型往往动辄 7B 甚至更大，对于算力和显存受限的机器人终端来说，不仅跑不动，更是跑不快 。

虽然量化（Quantization）在大语言模型（LLM）中已经是“基操”，但直接搬运到具身VLA上的分析和研究却比较空白。

LLM 的量化方法在机器人VLA上表现怎么样？

如何让大模型塞进机器人小算力芯片的同时，还能手稳活细？

在刚刚公布的 ICLR 2026 中，来自上海交通大学 AutoLab、无界动力，中科院自动化所，蚂蚁等机构的研究团队给出了答案。他们提出了首个面向具身控制的通道级动作感知量化框架QVLA 。

原文链接：ICLR 2026｜QVLA：仅需30%显存，精度几乎无损！开始加速你的所有VLA吧～

🛑痛点：机器人动作的误差累积

在 LLM 领域，量化算法（如 SmoothQuant, AWQ）通常是为了保住“文本困惑度”或“视觉特征” 。但在机器人领域，评价标准完全不同。

研究团队发现，如果直接套用 LLM 的均匀量化，哪怕产生极其微小的动作误差，经过物理环境的放大和长序列任务的累积，也会导致“一步错，步步错”，最终引发抓取失败或轨迹偏离等灾难性后果 。

🛑核心洞察：Not All Channels Are Equal

QVLA 的核心思想非常直观：在 VLA 模型中，并非所有的通道（Channel）都是同样重要的 。

研究团队进行了细致的敏感度分析，发现：

1. 模块差异大： 视觉编码器耐压缩；但投影层（Projector）和动作头（Action Head）对量化极其敏感，稍微压缩就会导致性能崩塌 。
2. 通道差异大： 即使在同一层内，不同通道对最终动作输出的影响也天差地别 。

基于此，QVLA 抛弃了粗暴的“一刀切”均匀量化，提出了一种以“动作敏感度”为核心的混合精度策略。

🛑论文方法：让每一比特都花在刀刃上

QVLA 的工作流程可以概括为两步走 ：

1. 动作敏感度计算（Step 1）： 不同于传统方法看重特征重构误差，QVLA 直接测量量化某个通道会对最终动作空间产生多大误差 。为了计算高效，团队还推导了一套基于泰勒展开的快速代理指标 。
2. 贪心比特分配（Step 2）： 根据敏感度排名，算法会自动给每个通道分配不同位宽 。
   • 关键通道： 保留高精度（16-bit/8-bit），确保手稳。
   • 冗余通道： 疯狂压缩甚至直接剪枝（0-bit），节省资源 。

🛑性能优异：SOTA 级的压缩效果

在 LIBERO 机器人操作基准测试中，QVLA 展现了优异的效果：

• 极致压缩： 在 OpenVLA-OFT 模型上，QVLA 仅需 29.2% 的显存（约 4.5GB），推理速度提升 1.49倍 。
• 性能无损： 在大幅压缩下，仍保持了 98.9% 的原始性能，甚至在部分任务上因去噪效应超过了全精度模型 。
• 吊打基线： 相比于 LLM 领域的明星方法 SmoothQuant（性能下降 23.7%），QVLA 的性能损失微乎其微（仅 1.1%） 。

🛑真机实战

除了仿真环境，QVLA 还在真实的 IMETA-Y1 双臂机器人上进行了验证 。

在 NVIDIA 4070 显卡上，量化后的模型在“拿薯片”、“折叠毛巾”等灵巧操作任务中，表现与全精度模型几乎一致。

总结

QVLA 是 VLA 模型低比特量化的第一次系统性尝试。它证明了在具身智能领域，“以动作为中心”才是模型压缩的正确打开方式。这项工作不仅为在资源受限的机器人硬件上部署大模型铺平了道路，也将加速具身智能从实验室走向现实世界的进程 。

另外，本文提出的量化技术可以与pruning，diffusion cache等技术无缝接入，系统性的提升模型inference速度。

如我们将AutoPrune[NeurIPS’25],SmoothCache[CVPRW’24]和我们的量化方法用到pi0.5，可以实际inference速度加速1.8倍且性能几乎不掉，后续会一起更新到代码仓库。此外，我们后续也准备将算法集成到tensorRT中，这样便可以同时享受tensorRT极致的并行加速。

具身求职内推来啦

近50家主流具身公司，校招&社招&实习均可

国内最大的具身智能全栈学习社区来啦！

具身智能之心知识星球：国内最大的具身智能全栈技术社区来啦！

推荐阅读

从零部署π0,π0.5！好用，高性价比！面向具身科研领域打造的轻量级机械臂

工业级真机教程+VLA算法实战（pi0/pi0.5/GR00T/世界模型等）

具身智能算法与落地平台来啦！国内首个面向科研及工业的全栈具身智能机械臂

VLA/VLA+触觉/VLA+RL/具身世界模型等！具身大脑+小脑算法与实战全栈路线来啦~

MuJoCo具身智能实战：从零基础到强化学习与Sim2Real

从零训练你的足式机器人！让你的足式机器人真正动起来~

具身领域的目标导航到底是什么？有哪些主流方法？

Diffusion Policy在具身智能领域是怎么应用的？为什么如此重要？

具身智能视觉语言动作模型，VLA怎么入门？

视觉语言导航的主流方法有哪些？是怎么用的？

1v1 科研论文辅导来啦！

重磅！具身智能之心论文辅导来啦（近20+方向，顶会/顶刊/SCI/EI/中文核心/申博等）