LaRA-VLA：机器人智能的隐式推理革命

北京大学等团队提出LaRA-VLA，一种基于隐式推理的视觉-语言-动作（VLA）模型，通过内部隐藏状态迭代而非显式思维链生成，解决传统VLA模型推理深度与速度的权衡问题，在基准测试中表现优异，为实时机器人控制提供新范式。

在具身智能领域，VLA模型是机器人控制核心技术，但存在权衡困境：端到端模型响应快却缺乏深度推理；显式思维链（CoT）方法能复杂推理，但生成大量文本导致延迟高，难以满足实时控制需求。如"将勺子放入碗中"任务，显式CoT需数百token解释，而机器人控制要求毫秒级响应。

LaRA-VLA采用隐式潜在推理，通过迭代更新隐藏状态而非生成可见文本提升效率。核心机制为"潜在推理槽"：将视觉与语言信息编码为连续潜在向量，多步骤迭代优化后输出动作。优势包括：计算效率高（潜在空间矩阵运算替代文本生成）、信息密度大（避免语言局限性）、端到端可训练（反向传播优化）。训练采用两阶段策略：先基础VLA预训练，再强化潜在推理训练。

在LIBERO基准测试中，LaRA-VLA平均成功率达97.9%，优于传统无CoT方法（OpenVLA76.5%、π₀94.2%），且比显式CoT方法（DeepThinkVLA97.0%）速度更快。在Bridge真实任务中，"放置勺子"任务成功率95.8%，远超其他方法。

LaRA-VLA为实时机器人控制提供新范式，解决推理深度与速度矛盾；可扩展至多步规划、工具使用等人机协作任务。对开发者：普通硬件可部署强AI能力；对研究者：开辟隐式推理新研究方向。

研究团队开源训练与评估代码（基于StarVLA），预训练模型权重和数据集暂未发布。未来方向包括：扩展触觉/听觉等模态、优化推理槽设计、应用于其他序列决策任务。

LaRA-VLA证明无需在推理深度与速度间二选一，通过潜在空间推理可同时获得两者优势，是机器人智能研究的重要转折点，推动实用智能机器人助手的发展。