Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning

Fast-ThinkAct 核心总结与译文

一、主要内容总结

Fast-ThinkAct 是一款针对视觉-语言-动作（VLA）任务的高效推理框架，旨在解决现有推理型VLA模型因生成冗长思维链（CoT）导致推理延迟高、难以满足实时 embodied AI 应用需求的问题。

核心背景

VLA任务要求智能体感知复杂视觉场景、进行时空上下文推理并在动态环境中执行自适应动作，但传统模型存在两大局限：

1. 基础VLA模型依赖监督训练，难以泛化到长时程规划、故障恢复等未见过的场景；
2. 现有推理型VLA模型通过显式CoT提升泛化能力，但冗长推理轨迹（约250个token）导致推理延迟过高（如0.1Hz），无法满足机器人操控、自动驾驶等实时场景需求（1-15Hz）。

核心方案

1. 可 verbalize 的 latent 推理：将冗长文本思维链压缩为紧凑的连续 latent 表示（仅6个token），既保留关键推理信息，又大幅降低计算成本；
2. 偏好引导蒸馏与轨迹对齐：通过教师-学生框架，从强化学习训练的教师模型中蒸馏高质量推理模式，同时对齐师生轨迹级表示，确保视觉规划能力