🤖 AI

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

Fast-ThinkAct एक कुशल विजन-लैंग्वेज-एक्शन फ्रेमवर्क है जो वर्बलाइज़ेबल लेटेंट रीजनिंग के प्रेफरेंस-गाइडेड डिस्टिलेशन का उपयोग करता है ताकि लॉन्ग-होरिज़न प्लानिंग, फ्यू-शॉट अडैप्टेशन और फेलियर रिकवरी में मजबूत प्रदर्शन बनाए रखते हुए इन्फरेंस लेटेंसी को काफी कम किया जा सके।

मूल लेखक: Chi-Pin Huang, Yunze Man, Zhiding Yu, Min-Hung Chen, Jan Kautz, Yu-Chiang Frank Wang, Fu-En Yang

प्रकाशित 2026-02-25

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chi-Pin Huang, Yunze Man, Zhiding Yu, Min-Hung Chen, Jan Kautz, Yu-Chiang Frank Wang, Fu-En Yang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को सैंडविच बनाना सिखा रहे हैं।

पुराना तरीका (द "ओवर-थिंकर" या अत्यधिक सोचने वाला):
पहले, यदि आप एक स्मार्ट रोबोट से कहते, "स्ट्रॉबेरी को दराज में रख दो," तो वह एक मानव दार्शनिक की तरह जोर-जोर से सोचने की कोशिश करता। वह अपने दिमाग में एक लंबा, विस्तृत भाषण उत्पन्न करता: "ठीक है, पहले मुझे स्ट्रॉबेरी को देखना होगा। यह लाल है। दराज नीली है। मुझे अपना हाथ 12 सेंटीमीटर बाईं ओर, फिर 5 सेंटीमीटर नीचे ले जाना होगा। मुझे सावधान रहना चाहिए कि मैं इसे गिरा न दूँ। अब, पकड़ो। अब, उठाओ। अब, खोलो। अब, रखो।"

यह "बोलकर सोचना" (जिसे चेन-ऑफ-थॉट कहा जाता है) रोबोट को स्मार्ट बनाने में मदद करता है, लेकिन यह धीमा है। जब तक रोबोट वह 250 शब्दों का भाषण लिखने के लिए अपना विचार पूरा करता, तब तक स्ट्रॉबेरी लुढ़क कर दूर जा चुकी होती, या रसोई में आग लग चुकी होती। वास्तविक दुनिया में, रोबोटों को तेजी से काम करने की आवश्यकता होती (प्रति सेकंड 10 से 15 बार), लेकिन यह "अत्यधिक सोचने" की प्रक्रिया उन्हें एक घोंघे की तरह धीमा बना देती है।

नया तरीका (फास्ट-थिंक-एक्ट - Fast-ThinkAct):
NVIDIA के शोधकर्ताओं (ची-पिन हुआंग और उनकी टीम) ने Fast-ThinkAct विकसित किया। उन्होंने महसूस किया कि रोबोट को अपने विचारों को 'बोलने' की ज़रूरत नहीं है, बस उन्हें 'होने' की ज़रूरत है।

यह कैसे काम करता है, एक सरल उदाहरण के माध्यम से यहाँ दिया गया है:

1. "सीक्रेट हैंडशेक" बनाम "लंबा पत्र"

कल्पना कीजिए कि आप और एक दोस्त एक जटिल खेल खेल रहे हैं।

पुराना रोबोट: हर चाल चलने से पहले खुद को विस्तार से समझाने के लिए एक लंबा पत्र लिखता है। यह स्पष्ट तो है, लेकिन इसे लिखने में बहुत समय लगता है।
Fast-ThinkAct रोबोट को एक सीक्रेट हैंडशेक (गुप्त संकेत) सिखाता है। एक लंबा पत्र लिखने के बजाय, रोबोट अपने मस्तिष्क को एक छोटा, संकुचित संकेत (एक "लेटेंट टोकन") भेजता है। इस संकेत में आवश्यक योजना संबंधी सभी जानकारी होती है, लेकिन यह इतना छोटा होता है कि यह एक उपन्यास की तुलना में एक हल्की सी फुसफुसाहट जैसा होता है।

2. "शिक्षक" और "छात्र"

आप एक रोबोट को इन गुप्त संकेतों का उपयोग करना कैसे सिखाते हैं?

शिक्षक: सबसे पहले, वे एक "शिक्षक" रोबोट को प्रशिक्षित करते हैं जो बहुत बुद्धिमान है लेकिन धीमा है। वह समस्याओं को हल करने के लिए वे सभी लंबे, विस्तृत पत्र (रीजनिंग ट्रेसेस) लिखता है।
छात्र: फिर, वे एक "छात्र" रोबोट को पेश करते हैं। छात्र शिक्षक को देखता है। लेकिन छात्र उन लंबे पत्रों की नकल करने के बजाय, शिक्षक के ज्ञान को उन छोटे गुप्त संकेतों में डिस्टिल (निचोड़ना/संक्षिप्त करना) करना सीखता है।
फ़िल्टर: सिस्टम एक "प्रेफरेंस" (पसंद) फ़िल्टर का उपयोग करता है। यदि शिक्षक का लंबा पत्र अव्यवस्थित या गलत है, तो छात्र उसे अनदेखा करना सीख जाता है। यदि पत्र शानदार है, तो छात्र उस प्रतिभा को एक छोटे, कुशल संकेत में संकुचित करना सीख जाता है।

3. "अनुवादक" (The Verbalizer)

आप पूछ सकते हैं: "यदि रोबोट गुप्त संकेतों में सोच रहा है, तो हमें कैसे पता चलेगा कि वह सही सोच रहा है?"
शोधकर्ताओं ने एक अनुवादक (जिसे वर्बलाइज़र कहा जाता है) जोड़ा है। प्रशिक्षण के दौरान, अनुवादक रोबोट के छोटे गुप्त संकेत को लेता है और उसे वापस मानवीय भाषा में विस्तारित करता है ताकि हम जांच सकें कि क्या यह समझ में आता है।

महत्वपूर्ण बिंदु: एक बार जब रोबोट प्रशिक्षित हो जाता है, तो उसे अनुवादक की आवश्यकता नहीं होती। वह केवल गुप्त संकेतों का उपयोग करके चलता है। अनुवादक एक शिक्षक की नियमावली (manual) की तरह है जिसका उपयोग केवल स्कूल के दौरान किया जाता है; रोबोट को काम करते समय उस नियमावली को पढ़ने की आवश्यकता नहीं होती।

यह बड़ी बात क्यों है?

शोध पत्र दिखाता है कि Fast-ThinkAct पिछले सबसे स्मार्ट रोबोटों की तुलना में 9.3 गुना तेज़ है, जबकि वास्तव में कार्यों में बेहतर भी है।

गति: यह सोचने के समय को सेकंडों से घटाकर मिलीसेकंड में बदल देता है। इसका मतलब है कि रोबोट वास्तविक समय में प्रतिक्रिया दे सकता है, जैसे कि कोई इंसान गिरते हुए कप को पकड़ता है।
बुद्धिमत्ता: क्योंकि रोबोट लंबे वाक्य लिखने में समय बर्बाद नहीं कर रहा है, इसलिए वह अपनी मानसिक शक्ति को कार्य के दृश्य भाग (देखना कि कप कहाँ है) और क्रिया भाग (कप को पकड़ना) पर केंद्रित कर सकता है।
रिकवरी (सुधार): यदि रोबोट कप गिरा देता है, तो वह तुरंत (अपने गुप्त भाषा में) यह सोचने में सक्षम है कि इसे कैसे ठीक किया जाए, बजाय इसके कि वह एक लंबा माफीनामा लिखने में फंस जाए।

निष्कर्ष

Fast-ThinkAct एक रेस कार ड्राइवर को ड्राइविंग करते समय निर्देश पुस्तिका पढ़ने के बजाय, उसे सहज ज्ञान (instincts) और मांसपेशियों की स्मृति (muscle memory) में नियमों को आत्मसात करने के लिए सिखाने जैसा है। परिणाम? वे तेज़, सुरक्षित और स्मार्ट तरीके से गाड़ी चलाते हैं, और साथ ही अपनी बुद्धिमत्ता का स्तर भी बनाए रखते हैं।

यह तकनीक हमें उन रोबोटों के करीब लाती है जो वास्तव में हमारी व्यस्त, तेज़ दुनिया में हमारे साथ रह और काम कर सकें, न कि उन रोबोटों के जो स्थिर खड़े होकर बहुत अधिक सोचते रहते हैं।

यहाँ "Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

विज़न-लैंग्वेज-एक्शन (VLA) मॉडल एम्बॉडीड एआई (embodied AI) के लिए आवश्यक हैं, जिन्हें जटिल दृश्य दृश्यों को समझने, स्थानिक-कालावधि (spatial-temporal) संदर्भों पर तर्क करने और अनुकूलन योग्य क्रियाएं निष्पादित करने की आवश्यकता होती है। जबकि हालिया "रीजनिंग VLAs" (जैसे, ThinkAct, MolmoAct) ने स्पष्ट चेन-ऑफ-थॉट (CoT) रीजनिंग को शामिल करके सामान्यीकरण में सुधार किया है, वे एक महत्वपूर्ण बाधा का सामना करते हैं: उच्च अनुमान विलंबता (high inference latency)।

विलंबता की समस्या: लंबे टेक्स्ट टोकन (अक्सर ~250 टोकन) उत्पन्न करने में प्रति निर्णय कई सेकंड लग जाते हैं। यह वास्तविक समय के रोबोटिक नियंत्रण आवश्यकताओं (आमतौर पर 1–15 Hz) के साथ असंगत है, जिससे सुरक्षा जोखिम पैदा होते हैं और गतिशील वातावरण में इसकी प्रयोज्यता सीमित हो जाती है।
समझौता (The Trade-off): विलंबता को कम करने के मौजूदा प्रयास (जैसे, रीजनिंग ड्रॉपआउट या लेंथ पेनल्टी) अक्सर महत्वपूर्ण स्थानिक-कालावधि जानकारी को हटाकर या असंगत योजना (planning) का कारण बनकर प्रदर्शन को खराब कर देते हैं।
लक्ष्य: एक ऐसा ढांचा विकसित करना जो रीजनिंग VLAs की उच्च-स्तरीय योजना और सामान्यीकरण क्षमताओं को बनाए रखते हुए, कॉम्पैक्ट, लो-लेटेंसी अनुमान (low-latency inference) प्राप्त करे जो वास्तविक समय के एम्बॉडीड नियंत्रण के लिए उपयुक्त हो।

2. कार्यप्रणाली: Fast-ThinkAct (Methodology: Fast-ThinkAct)

Fast-ThinkAct एक ऐसा ढांचा प्रस्तावित करता है जो विस्तृत टेक्स्ट उत्पन्न करने के बजाय वर्बलाइज़ेबल लेटेंट रिप्रेजेंटेशन (verbalizable latent representations) में रीजनिंग को संकुचित करता है। यह तीन मुख्य घटकों के साथ एक टीचर-स्टूडेंट डिस्टिलेशन आर्किटेक्चर का उपयोग करता है:

A. रिवॉर्ड प्रेफरेंस के माध्यम से वर्बलाइज़ेबल लेटेंट CoT (Verbalizable Latent CoT via Reward Preferences)

टेक्स्ट टोकन उत्पन्न करने के बजाय, स्टूडेंट मॉडल निरंतर लेटेंट वेक्टर्स ( $\mathbf{z}$ ) का एक कॉम्पैक्ट अनुक्रम उत्पन्न करता है।

टीचर ट्रेनिंग: एक टेक्स्टुअल टीचर VLM को एक्शन-अलाइन्ड रिवार्ड्स के साथ ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइज़ेशन (GRPO) का उपयोग करके प्रशिक्षित किया जाता है। यह विभिन्न गुणवत्ता वाले रीजनिंग ट्रेसेस (reasoning traces) उत्पन्न करता है।
प्रेफरेंस-आधारित डिस्टिलेशन: सिस्टम एडवांटेज फंक्शन के आधार पर उच्च-गुणवत्ता ( $\tau^+$ ) और निम्न-गुणवत्ता ( $\छ\tau^-$ ) वाले रीजनिंग ट्रेसेस का चयन करता है।
वर्बलाइज़र LLM: एक समर्पित "वर्बलाइज़र" LLM को स्टूडेंट के लेटेंट वेक्टर्स $\mathbf{z}$ को वापस टेक्स्ट में डिकोड करने के लिए प्रशिक्षित किया जाता है। प्रशिक्षण उद्देश्य ( $\mathcal{L}_{verb}$ ) एक प्रेफरेंस-आधारित लॉस (DPO से प्रेरित) का उपयोग करता है ताकि यह सुनिश्चित हो सके कि स्टूडेंट के लेटेंट्स उच्च-गुणवत्ता वाले रीजनिंग में डिकोड हों और निम्न-गुणवत्ता वाले पैटर्न को दबा दें। यह लेटेंट स्पेस को व्याख्या योग्य तर्क (interpretable logic) में ग्राउंड करता है, बिना यह आवश्यकता के कि स्टूडेंट इन्फरेंस के दौरान टेक्स्ट आउटपुट करे।

B. एक्शन-अलाइन्ड विजुअल प्लान डिस्टिलेशन (Action-Aligned Visual Plan Distillation)

यह सुनिश्चित करने के लिए कि लेटेंट रीजनिंग भौतिक नियंत्रण के लिए उपयोगी है, यह विधि विजुअल प्लानिंग क्षमताओं को टीचर से स्टूडेंट में स्थानांतरित करती है।

स्पेशियल टोकन्स (Spatial Tokens): टीचर के विपरीत, जो ऑटोरेग्रेसिव रूप से टेक्स्ट वेपॉइंट्स (waypoints) उत्पन्न करता है, स्टूडेंट लेटेंट अनुक्रम में $K$ सीखने योग्य स्पेशियल टोकन्स जोड़ता है।
पैरेलल प्रेडिक्शन: इन स्पेशियल टोकन्स को वेपॉइंट्स ( $\hat{p}_i$ ) की भविष्यवाणी करने के लिए एक MLP के माध्यम से समानांतर (parallel) रूप से प्रोजेक्ट किया जाता है।
डिस्टिलेशन लॉस: स्टूडेंट टीचर के <answer> टोकन पर अपने हिडन स्टेट्स और टीचर के हिडन स्टेट्स के बीच L2 दूरी ( $\mathcal{L}_{distill}$ ) को कम करता है, जिससे यह सुनिश्चित होता है कि लेटेंट स्पेस आवश्यक स्थानिक प्रक्षेपवक्र (spatial trajectory) जानकारी को एनकोड करता है।

C. रीजनिंग-एन्हांस्ड पॉलिसी लर्निंग (Reasoning-Enhanced Policy Learning)

यह ढांचा उच्च-स्तरीय योजना को निम्न-स्तरीय एक्शन निष्पादन के साथ जोड़ता है।

आर्किटेक्चर: स्टूडेंट VLM ( $\mathcal{F}_\theta$ ) विजुअल ट्राजेक्टरी प्लान उत्पन्न करता है। ये प्लान स्पेशियल टोकन्स के की-वैल्यू (KV) कैश से निकाले जाते हैं।
एक्शन मॉडल: एक डिफ्यूजन-आधारित एक्शन मॉडल ( $\pi_\phi$ , जैसे RDT या DiT-Policy) विजुअल लेटेंट प्लानिंग ( $c_t$ ) और स्टेट ऑब्जर्वेशन को इनपुट के रूप में लेता है ताकि निष्पादन योग्य रोबोट क्रियाएं ( $a_t$ ) की भविष्यवाणी की जा सके।
ट्रेनिंग: एक्शन मॉडल को इमिटेशन लर्निंग ( $\mathcal{L}_{IL}$ ) के माध्यम से फाइन-ट्यून किया जाता है जबकि स्टूडेंट VLM को फ्रीज रखा जाता है, जो प्रभावी रूप से कॉम्पैक्ट लेटेंट रीजनिंग को सटीक रोबोट मूवमेंट में बदल देता है।

3. प्रमुख योगदान (Key Contributions)

Fast-ThinkAct फ्रेमवर्क: एक नया रीजनिंग फ्रेमवर्क जो रीजनिंग को वर्बलाइज़ेबल लेटेंट थॉट्स में संकुचित करता है, जो अभिव्यक्ति और दक्षता के बीच संतुलन बनाता है।
प्रेफरेंस-गाइडेड डिस्टिलेशन: एक टेक्स्टुअल टीचर से कॉम्पैक्ट निरंतर लेटेंट्स में उच्च-गुणवत्ता वाले रीजनिंग पैटर्न को डिस्टिल करने के लिए एक तंत्र पेश करता है, जिसमें लेटेंट स्पेस को लॉजिकल रीजनिंग स्ट्रक्चर के साथ संरेखित करने के लिए एक वर्बलाइज़र का उपयोग किया जाता है।
विजुअल ट्राजेक्टरी एलाइनमेंट: प्रक्षेपवक्र-स्तर के रिप्रेजेंटेशन को संरेखित करके और कुशल वेपॉइंट प्रेडिक्शन के लिए समानांतर स्पेशियल टोकन्स का उपयोग करके स्थानिक योजना क्षमताओं को स्थानांतरित करने की विधि प्रस्तावित करता है।
एफिशिएंसी-परफॉरमेंस ब्रेकथ्रू: यह प्रदर्शित करता है कि रीजनिंग को टेक्स्ट जनरेशन से अलग किया जा सकता है, जिससे लॉन्ग-होरिज़न प्लानिंग या फेलियर रिकवरी क्षमताओं से समझौता किए बिना वास्तविक समय का इन्फरेंस संभव हो जाता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

पेपर विविध बेंचमार्क पर स्टेट-ऑफ-द-आर्ट 7B रीजनिंग VLAs (ThinkAct-7B, MolmoAct-7B) और फाउंडेशन मॉडल्स के मुकाबले Fast-ThinkAct (3B पैरामीटर बैकबोन का उपयोग करके) का मूल्यांकन करता है।

इन्फरेंस लेटेंसी (Inference Latency):
- ThinkAct-7B की तुलना में इन्फरेंस लेटेंसी में 89.3% तक की कमी लाता है।
- ThinkAct-7B से 9.3 गुना तेज़ और ThinkAct-3B से 7 गुना तेज़ है।
- इन्फरेंस समय 7.5s (ThinkAct-7B) से घटकर **0.8s** (Fast-ThinkAct-3B) हो गया।
रोबोट मैनिपुलेशन परफॉरमेंस (Robot Manipulation Performance):
- LIBERO बेंचमार्क्स: स्पेशियल, ऑब्जेक्ट, गोल और लॉन्ग-होरिज़न कार्यों में सभी बेसलाइन्स (OpenVLA, CoT-VLA, ThinkAct) को पछाड़ता है।
- SimplerEnv-Google: 88.4% की सफलता दर प्राप्त करता है, जो ThinkAct-7B (84.7%) और MolmoAct-7B (87.5%) से अधिक है।
- RoboTwin2.0 (Bimanual): आसान और कठिन दोनों सेटिंग्स में पिछले VLAs को काफी बेहतर प्रदर्शन करता है, जो बेहतर लॉन्ग-होरिज़न प्लानिंग (जैसे, 278+ स्टेप्स) दिखाता है।
एम्बॉडीड रीजनिंग (Embodied Reasoning):
- EgoPlan-Bench2, RoboVQA, और OpenEQA पर प्रोप्रायटरी मॉडल्स (GPT-4V, Gemini-2.5-Flash) और अन्य ओपन-सोर्स VLAs से बेहतर प्रदर्शन करता है।
- उत्कृष्ट फेलियर रिकवरी क्षमता प्रदर्शित करता है, त्रुटि प्रकारों की सही पहचान करता है और वास्तविक दुनिया की रोबोट विफलताओं के लिए सुधारात्मक निर्देश उत्पन्न करता है।
फ्यू-शॉट अडैप्टेशन (Few-Shot Adaptation):
- प्रत्येक कार्य के लिए केवल 10 प्रदर्शनों (demonstrations) के साथ, Fast-ThinkAct, RDT और $\pi_0$ से काफी बेहतर प्रदर्शन करता है, जो नए परिदृश्यों में कुशलतापूर्वक अनुकूलित होने की इसकी क्षमता को सिद्ध करता है।

5. महत्व (Significance)

Fast-ThinkAct एम्बॉडीड एआई में एक मौलिक बाधा को संबोधित करता है: जटिल रीजनिंग और वास्तविक समय निष्पादन के बीच का संघर्ष।

रियल-टाइम व्यवहार्यता: रीजनिंग को डिस्क्रीट टेक्स्ट जनरेशन से निरंतर लेटेंट स्पेस में ले जाकर, यह उन्नत रीजनिंग को हाई-फ्रीक्वेंसी रोबोटिक कंट्रोल (1-15 Hz) के लिए संभव बनाता है, जो सुरक्षित और गतिशील मानव-रोबोट इंटरेक्शन के लिए एक पूर्व शर्त है।
स्केलेबिलिटी: यह तरीका एक्शन मॉडल के संबंध में मॉडल-अग्नोस्टिक है और बड़े बैकबोन (7B/8B तक टेस्ट किया गया) तक प्रभावी ढंग से स्केल होता है, जो अधिक सक्षम लेकिन कुशल एम्बॉडीड एजेंट्स की ओर एक मार्ग का सुझाव देता है।
इंटरप्रिटेबिलिटी बनाम एफिशिएंसी: यह वर्बलाइज़र को पेश करके लेटेंट रीजनिंग की "ब्लैक बॉक्स" समस्या को अनूठे रूप से हल करता है, जो वास्तविक रोबोट ऑपरेशन के दौरान लेटेंसी लागत के बिना मनुष्यों को रीजनिंग प्रक्रिया का निरीक्षण करने की अनुमति देता है (ट्रेनिंग या डिबगिंग के दौरान)।

संक्षेप में, Fast-ThinkAct रोबोटिक्स के लिए कुशल रीजनिंग को फिर से परिभाषित करता है, यह सिद्ध करता है कि कॉम्पैक्ट लेटेंट प्लानिंग, गति और सटीकता दोनों में विस्तृत टेक्स्टुअल रीजनिंग से बेहतर हो सकती है, जिससे अगली पीढ़ी के स्वायत्त, अनुकूलन योग्य रोबोटों को सक्षम बनाया जा सके।