சிறிய VLA மாதிரிகள்: TinyVLA, SmolVLA மற்றும் 1 பில்லியனுக்கும் குறைவான அளவு

கிட்டத்தட்ட ஒவ்வொரு பார்வை-மொழி-செயல் மாதிரி பற்றி எழுதப்படும் கட்டுரைகள் ஒரு தரவு மைய அட்டையை (datacentre card) அடிப்படையாகக் கொண்டவை. OpenVLA 7 பில்லியன் அளவுருக்களைக் (parameters) கொண்டுள்ளது. GR00T N1.7 மற்றும் Pi0.5 சுமார் 3 பில்லியன் அளவுருக்களைக் கொண்டுள்ளன, மேலும் அவற்றைச் செம்மைப்படுத்த (fine-tune) ஒரு A100 80 GB தேவைப்படுகிறது. உங்கள் மேசையில் உள்ள அட்டை ஒரு 4090 ஆக இருந்தால், அந்த வகை மாதிரிகள் எட்டாத தூரத்தில் உள்ளன.

இரண்டு ஆய்வுக் கட்டுரைகள் இதற்குத் தேவையில்லை என்று வாதிடுகின்றன. TinyVLA (arXiv 2409.12514, பிப்ரவரி 2025 இல் IEEE Robotics and Automation Letters ஆல் ஏற்றுக்கொள்ளப்பட்டது) ஒரு 400 மில்லியன் முதல் 1.3 பில்லியன் வரையிலான பேக்போன் (backbone) மற்றும் ஒரு டிஃப்யூஷன் ஆக்‌ஷன் ஹெட் (diffusion action head) ஆகியவற்றிலிருந்து ஒரு VLA ஐ உருவாக்குகிறது. SmolVLA (arXiv 2506.01844, ஜூன் 2, 2025 அன்று சமர்ப்பிக்கப்பட்டது) 450 மில்லியன் அளவுருக்களைத் திறந்த எடைகள் (open weights), திறந்த தரவு (open data) மற்றும் ஒரு நுகர்வோர் அட்டையில் (consumer card) இயங்கும் ஒரு ஸ்கிரிப்ட் உடன் வழங்குகிறது. இரண்டும் அளவிட்டவை மற்றும் 1 பில்லியனுக்கும் குறைவான அளவுருக்கள் என்ற வாதம் எங்கு நிற்கிறது என்பது இங்கே.

உண்மையில் ஒரு சிறிய VLA என்று கருதப்படுவது எது

ஒரு மாதிரி அட்டையில் உள்ள அளவுரு எண்ணிக்கை ஒரு எண் அல்ல. இது மொத்த எடைகள், அனுமானத்தின் போது ஏற்றப்பட்ட எடைகள் அல்லது சாய்வுகளைப் பெறும் எடைகள் ஆகியவற்றைக் குறிக்கலாம். . TinyVLA இரண்டையும் தெரிவிக்கிறது, மேலும் இடைவெளி பெரியது: TinyVLA-H மொத்தம் 1.3 பில்லியன் ஆனால் 143 மில்லியன் பயிற்சி செய்யக்கூடியது, ஏனெனில் விஷன் டவர் மற்றும் பெரும்பாலான மொழி மாதிரி உறைந்திருக்கும், அதே நேரத்தில் LoRA அடாப்டர்கள் மற்றும் ஆக்‌ஷன் ஹெட் நகரும். இந்த ஆய்வுக் கட்டுரை பயிற்சி செய்யக்கூடிய பங்கை சுமார் 5 சதவீதமாகக் குறிப்பிடுகிறது.

இரண்டு வரிசைகள் விவாதிக்கத்தக்கவை. சுமார் 80 மில்லியனில் உள்ள ACT, இங்குள்ள மற்ற அனைத்தையும் விட சிறியது, ஆனால் அதற்கு மொழி மாதிரி இல்லை, எனவே இது ஒரு VLA அல்ல: இது ஒரு பணியைக் கற்றுக்கொள்கிறது மற்றும் மற்றொரு பணியைச் செய்யும்படி கூற முடியாது. 27 மில்லியனில் உள்ள Octo-Small, LLM முதுகெலும்பு அல்லாமல், T5-Base டெக்ஸ்ட் என்கோடர் மூலம் நிபந்தனைக்குட்படுத்தப்பட்டுள்ளது. நல்ல அடிப்படை மாதிரிகள், ஆனால் லேபிள் குறிப்பிடும் அறிவுறுத்தலைப் பின்பற்றுதலை இவை இரண்டும் வழங்குவதில்லை.

TinyVLA: வேகம் தலையிலிருந்து வருகிறது, முதுகெலும்பிலிருந்து அல்ல

மொழி மாதிரியைச் சிறியதாக்கியதால் அது வேகமாகச் செயல்பட்டது என்பது வெளிப்படையான புரிதல். ஆனால் ஆய்வுக் கட்டுரையின் நீக்குதல் பகுப்பாய்வு வேறுவிதமாகக் கூறுகிறது. OpenVLA-வின் 7 B முதுகெலும்பை தோராயமாக 1 B முதுகெலும்புடன் மாற்றியபோது, ஒரு செயலுக்கான கணிப்பு 292 ms இலிருந்து 140 ms ஆகக் குறைந்தது, இது 2x ஆதாயம். TinyVLA-H, ஒப்பிடக்கூடிய அளவுரு எண்ணிக்கையுடன், அதே கார்டில் 14 ms இல் இயங்குகிறது. மற்ற 10x ஆதாயம் செயல் தலையிலிருந்து வருகிறது.

OpenVLA, மொழி மாதிரி தலை வழியாக, ஒவ்வொரு செயல் பரிமாணத்திற்கும் ஒரு தனித்த டோக்கனாக, தானாகவே செயல்களை வெளியிடுகிறது. TinyVLA ஒரு டிஃப்யூஷன் டீகோடரை இணைக்கிறது, அது முழு தொகுதியையும் ஒரே நேரத்தில் உருவாக்குகிறது. அட்டவணை V, TinyVLA-H இன் கட்டமைப்பைக் கொண்டுள்ளது மற்றும் அதே ஐந்து உண்மையான ரோபோ பணிகளில் தலையை மட்டுமே மாற்றுகிறது. இது, ஃப்ளோ மேட்சிங் கொள்கைகள் உருவாக்குகின்றன என்பதற்கான மிகத் தெளிவான ஆதாரம், மற்றும் Pi0 டோக்கன் டீகோடிங்கிலிருந்து விலகிச் சென்றதற்கான காரணம்.

TinyVLA பெற்ற மதிப்பெண்

இரு-கை வரிசைக்கு, ஆய்வுக் கட்டுரை ஒரு சலிப்பான விளக்கத்தை அளிக்கிறது: OpenVLA ஆனது Open X-Embodiment இல் முன்-பயிற்சி செய்யப்பட்டுள்ளது, இது முழுவதுமாக ஒற்றை-கை தரவுகளைக் கொண்டுள்ளது, எனவே இரு-கை செயல்வெளி விநியோகத்திற்கு வெளியே உள்ளது மற்றும் அது பூஜ்ஜிய மதிப்பெண் பெறுகிறது. டிஃப்யூஷன் பாலிசி பேஸ்லைன் அந்த மூன்று பணிகளில் இரண்டில் TinyVLA-H ஐ வெல்கிறது. பின்னணி விவரங்கள் Open X-Embodiment விளக்கக் கட்டுரையில்.

TinyVLA களஞ்சியம், ஆகஸ்ட் 2026 நிலவரப்படி

ஆய்வுக் கட்டுரை நன்றாக உள்ளது. குறியீடு ஒரு ஆராய்ச்சி வெளியீடு. களஞ்சியம் github.com/liyaxuanliyaxuan/TinyVLA; அதன் README குறியீடு வெளியீட்டை 17 பிப்ரவரி 2025 என்றும் கடைசி கமிட் 11 மார்ச் 2025 என்றும் குறிப்பிடுகிறது. ஒரு ஆய்வுக் கட்டுரையை மீண்டும் உருவாக்க இது நன்றாக இருக்கும், ஆனால் பராமரிக்கப்படும் ஒரு நூலகத்தை நீங்கள் விரும்பினால் இது ஒரு சிக்கலாகும்.

git clone https://github.com/liyaxuanliyaxuan/TinyVLA
conda create -n tinyvla python=3.10 -y
conda activate tinyvla
pip install --upgrade pip
pip install -r requirements.txt
cd policy_heads && pip install -e .
cd ../llava-pythia && pip install -e .

TinyVLA ஆனது வாசிப்பதில்லை LeRobot தரவுத்தொகுப்புகள். அதன் வடிவம் ACT-பாணி HDF5: செயல், language_raw, மற்றும் பல-பார்வை படங்கள், joint_positions, qpos மற்றும் qvel கொண்ட ஒரு அவதானிப்புக் குழு. களஞ்சியம் RLDS உள்ளீட்டிற்காக data_utils/rlds_to_h5py.py ஐ வழங்குகிறது, மேலும் ஒவ்வொரு பணியும் aloha_scripts/constants.py இல் அதன் dataset_dir, episode_len மற்றும் camera_names உடன் கையால் பதிவு செய்யப்படுகிறது. உங்கள் எபிசோடுகள் lerobot இலிருந்து அல்லது டெஸ்க்டாப் கிளையன்ட் இலிருந்து வந்திருந்தால், மாற்றத்தை நீங்கள் தான் செய்ய வேண்டும்.

# scripts/train.sh, the real flags from the repository
ACTION_HEAD=droid_diffusion

deepspeed --master_port 29600 --num_gpus=8 --num_nodes=1 ./train_tinyvla.py \
  --deepspeed scripts/zero2.json \
  --lora_enable True \
  --lora_module 'vit llm' \
  --lora_r 64 \
  --lora_alpha 256 \
  --non_lora_lr 2e-5 \
  --task_name "example_task_config" \
  --model_name_or_path /path/to/pretrained_vlm \
  --freeze_vision_tower True \
  --freeze_backbone True \
  --bf16 True \
  --max_steps 10000 \
  --per_device_train_batch_size 32 \
  --gradient_accumulation_steps 1 \
  --learning_rate 2e-4 \
  --lr_scheduler_type "cosine" \
  --warmup_ratio 0.005 \
  --save_steps 1000 \
  --action_head_type $ACTION_HEAD \
  --use_state True \
  --window_size 6

• --num_gpus=8 என்பது எட்டு கார்டு நோடை (node) குறிக்கிறது. இதை 1 ஆக அமைத்து, பேட்ச் அளவை 32க்குக் கீழே குறைக்கவும். ஒற்றை-GPU மாறுபாடு (variant) அப்ஸ்ட்ரீமில் அனுப்பப்படவில்லை, எனவே இந்த கட்டளையை 4090 இல் அப்படியே இயக்க முடியாது.
• --deepspeed scripts/zero2.json என்பது மேல்-நிலை ஸ்கிரிப்ட்ஸ் கோப்பகத்தில் இல்லாத ஒரு கோப்பைக் குறிக்கிறது. DeepSpeed உள்ளமைவுகள் llava-pythia/scripts/zero2.json இல் அனுப்பப்படுகின்றன. உங்கள் முதல் இயக்கத்திற்கு முன் பாதையைச் சரிசெய்யவும்.
• README ஆனது வெளியீட்டு கோப்பகத்தின் பெயரில் llava_pythia ஐக் கொண்டிருக்க வேண்டும், மேலும் LoRA இயக்கப்பட்டிருந்தால் lora ஐயும் கொண்டிருக்க வேண்டும்.
• பேக்போன் ஒரு தனி பதிவிறக்கம்: lesjie/Llava-Pythia-400M, -700M அல்லது -1.3B. lerobot/smolvla_base ஐ நீங்கள் சுட்டிக்காட்டுவது போல, ஒரு கொள்கையை சுட்டிக்காட்ட ஒரு ஒற்றை அடிப்படை செக்பாயிண்ட் (checkpoint) இல்லை.

SmolVLA: இன்று மதியம் நீங்கள் இயக்கக்கூடிய 1 பில்லியனுக்கும் குறைவான மாதிரி

SmolVLA ஒரு பராமரிக்கப்படும் நூலகத்திற்குள் அதே வாதத்தை முன்வைக்கிறது. இது SmolVLM2-500M-Video-Instruct பேக்போனில் 450 M அளவுருக்களைக் கொண்டுள்ளது, மேலும் அதன் செயல்திறன் சிறியதாக இருப்பதற்கான கூற்றிலிருந்து வருவதை விட, configuration_smolvla.py இலிருந்து நீங்கள் படிக்கக்கூடிய அமைப்புகளிலிருந்து வருகிறது.

முன்பயிற்சியானது 481 சமூக LeRobot தரவுத்தொகுப்புகள், 22.9 K எபிசோடுகள் மற்றும் 10.6 M பிரேம்களை 4 GPU-களில், 200000 படிகளில் 256 உலகளாவிய தொகுப்பில் பயன்படுத்தியது; இந்த ஆய்வு முழு திட்டத்தையும் சுமார் 30 K GPU மணிநேரம் என மதிப்பிடுகிறது. கவனிக்க வேண்டிய ஒரு எண்: Hugging Face வெளியீட்டு வலைப்பதிவு 487 தொகுக்கப்பட்ட தரவுத்தொகுப்புகளைக் குறிப்பிடுகிறது, அதேசமயம் ஆய்வுக் கட்டுரையின் அட்டவணை 481 என்று கூறுகிறது. நாங்கள் ஆய்வுக் கட்டுரையின் எண்ணிக்கையைப் பயன்படுத்துகிறோம் மற்றும் இந்த முரண்பாட்டைப் பதிவு செய்கிறோம்.

ஒரு தற்செயல் நிகழ்வு உதவுகிறது: SmolVLA கட்டுரையின் Meta-World அட்டவணை TinyVLA இன் வெளியிடப்பட்ட எண்களை ஒரு அடிப்படையாகக் கொண்டுள்ளது, எனவே ஒருமுறை இரு மாடல்களும் ஒரே அட்டவணையில் உள்ளன, SmolVLA-0.45B 57.3 ஆகவும் TinyVLA-H 31.6 ஆகவும் உள்ளன. இது SmolVLA பயிற்சி Pi0 ஐ விட சுமார் 40 சதவீதம் வேகமாக 6 மடங்கு குறைவான நினைவகத்தில் நடப்பதாகவும் தெரிவிக்கிறது. இவை அனைத்தும் SmolVLA ஆசிரியர்களிடமிருந்து வந்தவை; அரங்க நுழைவு ஒவ்வொரு மதிப்பையும் அதன் மூலத்துடன் இணைக்கிறது.

SmolVLA அதன் நேரத்தை எங்கு செலவிடுகிறது

AY-Robots SmolVLA ஐ ஒரு செயல் படிக்கு 245 ms ஆகவும் ACT 20 ms ஆகவும் கொள்கை பட்டியல் இல் பட்டியலிடுகிறது. TinyVLA ஒரு செயல் கணிப்புக்கு 14 ms ஐப் புகாரளிக்கிறது. இந்த எண்கள் ஒப்பிட முடியாதவை, அவற்றை ஒப்பிடக்கூடியவை என்று கருதுவது இந்த தலைப்பில் மிகவும் பொதுவான தவறு: சில ஒரு முன்னோக்கி செல்லும் நேரத்தை, சில அந்த நேரத்தை ஒரு துண்டில் பிரித்து செயல் துண்டாக்கம் அதை ஈடுசெய்கிறது.

• SmolVLA ஒரு முன்னோக்கி செல்லும் போது 50 செயல்களை வெளியிடுகிறது மற்றும் அனைத்து 50 செயல்களையும் செயல்படுத்துகிறது. உண்மையான ரோபோக்களில் கட்டுரை பயன்படுத்தும் 30 fps இல், ஒரு அனுமானம் சுமார் 1.7 வினாடிகள் இயக்கத்தை உள்ளடக்கியது.
• ஒத்திசைவற்ற அனுமானம் தற்போதைய துண்டு இன்னும் செயல்படும் போது அடுத்த துண்டைக் கணக்கிடுகிறது: 13.75 வினாடிகள் ஒத்திசைவானதற்கு எதிராக சராசரியாக 9.7 வினாடிகள் பணி நிறைவு, தோராயமாக 30 சதவீதம் வேகமாக, மற்றும் ஒரு நிலையான 60 வினாடி சாளரத்தில் 9 க்கு எதிராக 19 பிக்-அண்ட்-பிளேஸ் சுழற்சிகள்.
• வெற்றி விகிதங்கள் சிறப்பாக இருப்பதை விட ஒப்பிடக்கூடியதாக இருந்தன, 73.3 ஒத்திசைவற்றதற்கு எதிராக 78.3 ஒத்திசைவானது. ஒத்திசைவற்றது செயல்திறனை வாங்குகிறது, துல்லியத்தை அல்ல.
• துண்டாக்கம் கணக்கீட்டு தாமதத்தை மறைக்கிறது, நெட்வொர்க் தாமதத்தை அல்ல, மேலும் இது கொள்கையை குறைவான எதிர்வினையாற்றுகிறது, ஏனெனில் இது 50 செயல்களுக்கு உறுதியளிக்கிறது.

ஒரு நுகர்வோர் கார்டில் SmolVLA-ஐ ஃபைன்-ட்யூன் செய்தல்

கையேடு வழி, lerobot 0.6.1 இல், 23 ஆகஸ்ட் 2026 நிலவரப்படி தற்போதைய PyPI வெளியீடு. கீழே உள்ள அனைத்தும் அதே நாளில் பெறப்பட்ட Hugging Face lerobot SmolVLA ஆவணத்திலிருந்து வந்தவை; வழிகாட்டப்பட்ட பதிப்பு மிகவும் எளிமையானது.

1. 1
   smolvla கூடுதல் அம்சத்துடன் lerobot ஐ நிறுவவும்

   SmolVLA சார்புகள் ஒரு விருப்பமான கூடுதல், அடிப்படை நிறுவலில் ஒரு பகுதி அல்ல. அதை நிறுவாமல், கொள்கை வகை ஏன் தெரியவில்லை என்று ஆச்சரியப்படுவது பொதுவாக அரை மணிநேரத்தை வீணடிக்கும்.

   bash

   git clone https://github.com/huggingface/lerobot.git
   cd lerobot
   pip install -e ".[smolvla]"

2. 2
   போதுமான எபிசோட்களுடன் ஒரு தரவுத்தொகுப்பைப் பெறுங்கள்

   ஆவணங்கள் சுமார் 50 எபிசோட்களைப் பரிந்துரைக்கின்றன, மேலும் 25 எபிசோட்களுடன் அதே பணி போதுமானதாக இல்லை என்று கூறுகின்றன. AY-Robots குறைந்தபட்சம் 30 ஆக நிர்ணயிக்கிறது. உங்களுடையதை பதிவு செய்யவும், அல்லது தரவுத்தொகுப்பு அடைவிலிருந்து தொடங்கவும்.

   bash

   # any LeRobotDataset on the Hub works as --dataset.repo_id
   # lerobot/svla_so100_pickplace is the paper's own 50-episode set:
   # 5 cube positions, 10 episodes each

3. 3
   நுண்ணிய சரிசெய்தலைத் தொடங்கவும்

   lerobot வழிகாட்டியிலிருந்து வரும் கட்டளை, மாற்றப்படாதது. ஆவணங்கள் 20000 படிகளை ஒரு A100 இல் தோராயமாக 4 மணிநேரம் என்று குறிப்பிடுகின்றன. ஒரு 24 GB கார்டில், அதிக நேரம் ஆகும் என்று எதிர்பார்க்கலாம் மற்றும் அதை அளவிடவும்.

   bash

   cd lerobot && lerobot-train \
     --policy.path=lerobot/smolvla_base \
     --dataset.repo_id=${HF_USER}/mydataset \
     --batch_size=64 \
     --steps=20000 \
     --output_dir=outputs/train/my_smolvla \
     --job_name=my_smolvla_training \
     --policy.device=cuda \
     --wandb.enable=true

4. 4
   பொருந்தும் வரை தொகுதி அளவைக் குறைக்கவும்

   batch_size=64 என்பது ஆவணப்படுத்தப்பட்ட ஒரு எடுத்துக்காட்டு, உங்கள் கார்டைப் பற்றிய வாக்குறுதி அல்ல. ஆவணங்கள் சிறியதாகத் தொடங்கி, ஏற்றுதல் நேரம் குறைவாக இருக்கும் வரை அதிகரிக்க அறிவுறுத்துகின்றன.

   bash

   lerobot-train --help

5. 5
   சரிபார்ப்புப் புள்ளியை கையில் பயன்படுத்தவும்

   அதே நூலகம், ஒரு கட்டளை. நிகழ்நேர துண்டாக்குதல் கொடிகள் ஆவணங்களில் கருத்துத் தெரிவிக்கப்பட்டுள்ளன, மேலும் அவை குறைந்த சக்தி வன்பொருளில் பயன்படுத்தப்பட வேண்டியவை.

   bash

   lerobot-rollout \
     --strategy.type=base \
     --robot.type=so101_follower \
     --robot.port=/dev/ttyACM0 \
     --robot.id=my_blue_follower_arm \
     --robot.cameras="{ front: {type: opencv, index_or_path: 8, width: 640, height: 480, fps: 30}}" \
     --task="Grasp a lego block and put it in the bin." \
     --policy.path=HF_USER/FINETUNE_MODEL_NAME

ஒரு சிறிய VLA ஐ ஒரு கையில் பெறுவதற்கான இரண்டு வழிகள்

ஒரு சிறிய மாதிரி தவறான தேர்வாக இருக்கும்போது

இரண்டு ஆய்வுக் கட்டுரைகளும் சுருக்கங்களை விட இங்கு மிகவும் கவனமாக உள்ளன. TinyVLA இன் தோல்வி பகுப்பாய்வு குறிப்பிட்டது: 0.4 B மாறுபாடு அறிவுறுத்தலை தவறாகப் படித்ததால் மூன்று முறை தோல்வியடைந்தது, இதை ஆசிரியர்கள் சிறிய VLM இல் உள்ள வரையறுக்கப்பட்ட மொழி புரிதலுக்குக் காரணம் கூறுகின்றனர், மேலும் அந்த முறை 1.3 B இல் மறைந்துவிட்டது. SmolVLA அதே வளைவை மறுமுனையில் இருந்து காட்டுகிறது: ஒரே மாதிரியான கட்டமைப்பின் 2.25 B பதிப்பு LIBERO இல் 88.75 மற்றும் Meta-World இல் 68.24 மதிப்பெண்களைப் பெறுகிறது, அதேசமயம் 0.45 B மாதிரிக்கு 87.3 மற்றும் 57.3.

இயக்கப்பட வேண்டிய ஒப்பீடு TinyVLA க்கு எதிராக SmolVLA அல்ல. இது SmolVLA க்கு எதிராக ACT உங்கள் சொந்த பணியில், மற்றும் SmolVLA கட்டுரை அதற்கான காரணம். ரோபோடிக்ஸ் முன் பயிற்சி இல்லாமல் ஒற்றை-பணியில் பயிற்சி பெற்ற SmolVLA, மூன்று SO-100 பணிகளில் சராசரியாக 40.0 மதிப்பெண் பெற்றது, அங்கு ஒற்றை-பணி ACT 48.3 ஐ நிர்வகித்தது. அதை 78.3 ஆக உயர்த்துவது சமூக முன் பயிற்சி மற்றும் பல-பணி பயிற்சி, கட்டிடக்கலை மட்டும் அல்ல. SO-101 லெகோ பணியில், இரண்டுமே ஒற்றை-பணி, SmolVLA வெற்றி பெறுகிறது: விநியோகத்தில் 70 க்கு எதிராக 90. பின்னர் SmolVLA க்கு எதிராக Pi0.5 பட்ஜெட் அனுமதித்தால்.

நீங்கள் செயல்படக்கூடிய ஒரு முடிவெடுக்கும் அட்டவணை

கடைசி வரிசைக்கு, நேரடி கை கணக்கு இல்லாமல் உலாவியில் இருந்து இயக்கக்கூடிய ஒரு SO-100 ஐ நேரடியாக ஒளிபரப்புகிறது, மேலும் தொடங்குவதற்கான மூன்று வழிகள் மீதமுள்ளவற்றை உள்ளடக்கியது. SO-100 இங்குள்ள குறிப்பு கை ஆகும், பாகங்களில் தோராயமாக 110 முதல் 150 யூரோக்கள் ஆகும், அதனுடன் ஒரு முழுமையான அமைவு வழிகாட்டி.

1 பில்லியனுக்கும் குறைவான மாடல்களுக்குப் பிறகு வருவது என்ன?

பாராமீட்டர் எண்ணிக்கையைக் குறைப்பது VLA ஐ மலிவாக மாற்றுவதற்கான ஒரு வழி, ஆனால் இது வெளிப்படையாக வெற்றி பெறும் வழி அல்ல. OpenVLA-OFT (arXiv 2502.19645) 7 B பேக்போனை வைத்துக்கொண்டு, செயல்கள் எவ்வாறு டிகோட் செய்யப்படுகின்றன என்பதை மட்டுமே மாற்றுகிறது, இது செயல் உருவாக்கும் செயல்திறனில் 26 மடங்கு அதிகரிப்பையும், LIBERO 76.5 சதவீதத்திலிருந்து 97.1 சதவீதமாக உயர்வதையும் தெரிவிக்கிறது. BitVLA (arXiv 2506.07530) ஒரு 1-பிட் BitNet b1.58 2B4T பேக்போனின் ஒவ்வொரு எடையையும் மும்மடங்காக மாற்றுகிறது, இது 11.0 மடங்கு குறைவான நினைவகத்தையும் 4.4 மடங்கு குறைவான எண்ட்-டு-எண்ட் தாமதத்தையும் தெரிவிக்கிறது, அதே நேரத்தில் முழு-துல்லியமான OpenVLA-OFT உடன் பொருந்துகிறது. X-VLA-0.9B (arXiv 2510.10274) ஃப்ளோ மேட்சிங்குடன் 1 B வரிசையில் அமைகிறது.

பொதுவான அம்சம்: தாமதம் மொழி மாதிரியில் இல்லை, செயல் டிகோடரில் தான் உள்ளது. ஒரு கொள்கை எத்தனை பாராமீட்டர்களைக் கொண்டுள்ளது என்று கேட்பதற்கு முன், அது எவ்வாறு செயல்களை வெளியிடுகிறது என்று கேளுங்கள். The arena 85 மாடல்களையும் 332 முடிவுகளையும் கொண்டுள்ளது, ஒவ்வொன்றும் அதன் மூலத்துடன் இணைக்கப்பட்டுள்ளன; ஒரு பரந்த கண்ணோட்டம் எங்கள் VLA அறிமுகத்தில்.