英伟达联合多所高校研发出 TacitVLA 方案，重新设计 VLA 视觉语言动作模型的推理流程，在不降低任务成功率的前提下，机器人动作延迟最多降低 3.4 倍，解决了传统 VLA 模型先写推理文本、再输出动作带来的速度瓶颈。传统 VLA 模型的运行逻辑是先自回归生成一段文本推理内容，比如场景描述、执行计划，等文本全部生成完成之后，才会输出动作指令，生成推理文本的耗时最高能占到单次推理总耗时的 70%，这也是机器人动作响应慢的核心原因。研究团队经过验证发现，模型真正的能力来自训练阶段学习推理文本的过程，动作本身不需要等待同一步生成的推理文本，基于这个结论，团队设计了 TacitVLA 新架构，训练环节依旧保留推理文本的监督学习，但是推理部署阶段，动作输出和推理文本生成并行执行，动作不用等文本写完。这套方案在机器人操作、自动驾驶四个基准测试里完成验证，和原版带显式推理的 VLA 对比，任务成功率基本持平，延迟最高优化 3.4 倍；和没有推理训练的基础模型对比，同等速度下任务成功率最多提升 17 个百分点，同时在长程记忆相关测试里刷新了成绩，RMBench 基准提升 21 个百分点，RoboMME 计数任务提升 16 个百分点。
传统 VLA 和 TacitVLA 流程对比
| 方案 | 执行顺序 | 速度特点 | 效果 |
|---|---|---|---|
| 传统显式推理 VLA | 先生成推理文本→再输出动作 | 慢，文本生成占用大量时延 | 成功率高，响应延迟高 |
| TacitVLA | 推理文本生成、动作输出并行运行 | 速度快，最高提速 3.4 倍 | 成功率和显式推理 VLA 接近 |
TacitVLA 核心实现步骤
- 训练阶段：沿用原有训练方式，用推理文本做监督，让模型学习场景理解、任务规划的表征能力。
- 推理阶段：拆掉动作对推理文本的依赖，动作分支直接输出控制指令，推理分支同步生成文本，两条分支并行跑。
- 长记忆场景适配：推理文本在动作执行的过程中持续写入，用来保留记忆，不会拖慢动作启动。
- 基准验证：在机器人操控、自动驾驶数据集上完成闭环测试，统计成功率、延迟指标。
适用场景
- 人形机器人抓取、操作任务
- 自动驾驶闭环场景
- 需要长时序记忆的机器人任务
【相关 FAQ】
问题 1：TacitVLA 重构 VLA 推理之后，机器人动作提速 3.4 倍会不会牺牲任务成功率？
回答 1：不会，TacitVLA 重构 VLA 推理实现 3.4 倍延迟降低时，任务成功率和原版带显式推理的 VLA 模型基本持平；对比不带推理训练的模型，同速度下成功率还能提升最多 17 个百分点。
问题 2：TacitVLA 实现 VLA 推理提速 3.4 倍的核心原理是什么？
回答 2：核心是打破传统 VLA“先出推理文本、后出动作” 的串行逻辑，TacitVLA 训练时保留推理文本监督，推理时动作和文本并行生成，动作不需要等待当前步的推理文本，以此实现 VLA 推理提速 3.4 倍。
问题 3：TacitVLA 这套 VLA 推理优化方案，只能用在机器人上吗？
回答 3：不只是机器人，这次验证同时覆盖机器人操作和自动驾驶两类任务，这套 VLA 推理优化思路，同样适合自动驾驶这类物理 AI 场景。
问题 4：TacitVLA 在长记忆任务上，VLA 推理提速 3.4 倍的优势还能保住吗？
回答 4：可以保住，长记忆场景下，TacitVLA 会在动作执行期间同步写入推理文本做记忆存储，不会变回串行等待，并且在 RMBench、RoboMME 长记忆基准上还拿到更好成绩。
【参考资料】
[2026-11-08]（英伟达等重新设计 VLA 推理！机器人动作提速 3.4 倍）新浪财经
[2026-10-14]（NVIDIA TacitVLA Matches VLA Baselines at 3.4x Lower Latency）AI Weekly
【免责声明】
本内容仅为技术资讯整理，文中模型性能数据来自相关论文及媒体公开报道，不构成技术落地、产品采购的指导建议，实际部署效果受硬件、数据集、调参等多种条件影响。