MambaAct：用紧凑型 Mamba 加速流匹配机器人策略

导语

视觉-语言-动作（VLA）模型正在成为机器人理解指令、观察环境并执行操作的重要技术路线。但在需要实时控制的场景中，模型“看得懂”并不等于“反应得快”。尤其是采用流匹配生成动作的 VLA，每次输出动作都要经历多轮去噪，动作专家会被反复调用，推理延迟因此成为部署瓶颈。

论文提出的 MambaAct，目标就是压缩这部分重复计算。它以 π0.5 的视觉语言前缀编码器为基础，只替换其中负责生成动作的 Transformer 专家。

核心方法

• 用 Mamba 替换动作 Transformer：MambaAct 将 Mamba 作为动作混合器，用于建模带噪连续动作序列中的时间和维度依赖。相比原有结构，新的动作专家更加紧凑。
• 压缩视觉语言条件：传统动作专家可能需要反复对视觉语言 token 执行逐 token 的交叉注意力。MambaAct 引入轻量级 Context Compressor，把前缀编码器输出映射成紧凑的条件信号。
• 通过门控调制动作模块：压缩后的条件信息会进入各个 Mamba 动作块，对其计算进行门控和调制。这样既保留了场景、指令等条件，又避免在每轮去噪中重复处理完整 token 序列。
• 保留既有视觉语言能力：该设计没有重新构建整个 VLA，而是尽可能复用 π0.5 已有的视觉语言表示，将优化重点放在高频调用的动作专家上。

实验结果

根据项目披露，MambaAct 的动作专家规模约为原方案的十分之一。在 LIBERO 基准上，流匹配去噪延迟降低 64.8%；在真实机器人部署中，延迟降低 58.8%。性能方面，三个独立微调随机种子下，LIBERO 平均成功率提升 1.08 个百分点，且在 LIBERO-Plus 和真实世界任务中也保持了改进趋势。

这些结果说明，减少动作生成模块的计算并不必然牺牲控制质量。对于流匹配 VLA 而言，动作专家被多次调用，任何单轮计算的缩减都可能在完整去噪流程中累积为更明显的端到端收益。

意义与局限

MambaAct 的价值不只是把一个 Transformer 换成 Mamba，更在于它重新划分了视觉语言条件与动作序列建模的职责：前者负责提供压缩后的任务上下文，后者负责高效地产生连续控制信号。这种解耦思路有望帮助 VLA 在算力受限的机器人平台上接近实时运行。

不过，现有材料主要披露了基准和部署延迟结果，尚未提供更完整的硬件配置、功耗、不同去噪步数下的表现以及与更多高效动作专家的系统比较。因此，MambaAct 是否能在不同机器人形态和任务分布中稳定迁移，还需要后续实验验证。项目代码已公开，模型权重按项目说明发布安排为准。

来源：Hugging Face Daily Papers