RT-VLA: Real-Time Vision-Language-Action Models via Knowledge Distillation
Il documento propone RT-VLA, un modello Vision-Language-Action leggero e distillato che trasferisce le capacità di guida e di ragionamento dello stato dell'arte SimLingo in uno studente compatto, ottenendo riduzioni significative della latenza di inferenza (fino a 44,8x) mantenendo al contempo prestazioni in loop chiuso competitive e consentendo il controllo in tempo reale con spiegabilità post-hoc.