TacitVLA：无需等待推理文本的视觉-语言-动作模型

TacitVLA 是一种推理型视觉-语言-动作（VLA）模型，其动作专家不会关注当前调用中生成的推理文本，因为推理监督本身已改善主干表示。在 RoboMME、RMBench、LIBERO 和 PhysicalAI-AV 四个基准上，TacitVLA 以最高 3.4 倍更低的延迟达到显式推理版本的表现，并以最高 +17.1% 的成功率追平无推理训练的同一架构延迟。