TacitVLA：机器人边想边动，成功率不降反快3.4倍

机器人动手之前，为什么总要“三思而后行”？

看过最新具身智能机器人的人，大概都碰到过一个挺有意思的场面：还没伸手，它们先“唠叨”起来。桌上摆着个苹果，模型不是直接去抓，而是在内部先吐出一段话：“这是一个红色的苹果，位于桌子左侧，我需要伸出左臂……”

这套做法叫显式推理（Explicit Reasoning）。在视觉-语言-动作（VLA）模型里，它确实能把任务成功率往上抬——复杂的视觉场景被转成语言逻辑，模型理清思路更容易。可代价同样摆在明面上：慢。

推理文本得一个token一个token自回归地往外蹦，字没写完，动作就只能干等。一项针对现有模型的测试显示，写推理文本这一步，占了单次模型调用时间的70%之多。放到自动驾驶或者精细操作机器人身上，几百毫秒的延迟足以酿成大问题。

于是疑问来了：推理带来的好处，到底是因为模型“读”了那段文字，还是因为模型“学”过怎么写那段文字？英伟达、纽约大学、UC伯克利等机构的研究团队盯上了这个点。他们的新论文《TacitVLA: Reasoning Vision-Language-Action Models Without Reasoning Latency》抛出一个反直觉的结论：模型只要学会推理的逻辑就行，运行时不必真把推理过程读出来。

顺着这个发现，团队做出了TacitVLA。训练阶段它和普通模型一样学着写推理，到了实际部署，动作模块对这些文本一概不理。结果有点出人意料：成功率没掉，速度快了3.4倍。

推理文本究竟起什么作用？

想弄懂TacitVLA新在哪，先得把推理文本在VLA模型中的三个角色拆开看。

其一，它是训练时的监督信号。模型被要求生成推理步骤，背后的视觉-语言主干网络（Backbone）就被逼着去学更深一层的场景理解。这种训练方式塑造了模型提取特征的路子，让它比只盯着像素看的模型更懂“语义”。

其二，它充当长程任务里的记忆载体。设想一个要连按三次按钮的任务，摄像头只看得见当前状态，之前按过几次它记不住。可模型要是能把“已按两次”写进日志，后面步骤就能把这个信息读出来。这个时候，文本就是外部记忆体。

其三，它是动作执行时的输入。传统显式推理模型里，动作专家模块（Action Expert）会读当前生成的推理文本，再据此定下一步动作。延迟正是从这儿来的：动作必须等字写完。

TacitVLA的核心洞察就落在这里：前两个作用缺不得，第三个作用却是多余的，甚至还拖后腿。团队给出的假设是，模型一旦通过训练掌握了推理逻辑，其内部表征已经装够了做决策的信息，用不着再靠读明文来“提醒”自己下一步干什么。

怎么证明“读了没用”？

为验证这个假设，研究人员搭了一组严谨的对照实验。他们选的是一种主流VLA架构：视觉-语言主干负责生成推理，基于流匹配（Flow Matching）的动作专家则通过注意力机制读取主干信息，再输出动作。

同一份数据集上，团队训练了三种策略不同的模型：

1. 显式推理（Explicit Reasoning）：标准做法，动作专家能读到刚生成的推理文本，对应现有的最先进方法。
2. 无推理（No Reasoning）：模型从没见过推理文本，直接在原始数据上训练，作为baseline，代表没有推理能力的情形。
3. TacitVLA：主角登场。训练时它用的序列、损失函数和提示词与显式推理一模一样，唯一动过手脚的是注意力掩码（Attention Mask）。掩码被改成这样：动作专家在生成动作时“看不到”推理部分的token。

这个设计把推理的两条潜在收益路径分得干干净净：一条是“学习写推理”对主干网络的优化，另一条是“读取推理”给动作模块补的上下文。显式推理两头都占，无推理两头皆空，TacitVLA只留前一条。

部署阶段，TacitVLA的处理逻辑也不复杂。任务不需要记忆，它就跳过文本生成，直接输出动作；任务需要记忆（比如记按钮次数），它先把动作算出来让机器人动起来，日志则放到后台异步写。日志写入是在动作执行期间并行干的，通常动作还没结束就写完了，所以不会多出等待时间。

实验结果：又快又准

实验横跨机器人操作与自动驾驶两大领域，任务里既有要长程记忆的，也有不需要记忆的。结论印证了团队的猜想：读取当前步骤的推理文本，除了拖慢速度，并不会把成功率抬上去。

机器人操作表现

在LIBERO-Plus基准测试中，模型要应付七种不同的环境扰动。TacitVLA拿到72.9%的成功率，跟显式推理的73.5%几乎打平，又把无推理模型的67.6%甩开一截。这两个推理模型的成绩，都超过了此前仅用LIBERO数据训练的已发表最佳结果。

标准LIBERO测试里，TacitVLA跑出98.6%的成功率，跟当前最高水平打平。

更值得看的是那些得靠记忆撑住的长程任务。RMBench基准上，它的平均成功率是77.5%，比显式推理的77.0%略高一点，把此前最好成绩56.5%甩开了一大截。以“Press Button”任务为例，按键次数只能靠日志记录，无推理模型在这里栽得很惨，成功率只有7.7%；TacitVLA靠异步日志机制把这个数字拉到74.3%。换句话说，只要记忆功能还在，拿掉实时推理读取并不会拖累性能。

RoboMME基准上它的表现同样不弱。用全部16个任务训练时，总体成功率48.1%，高于此前的44.5%。难度更高的计数任务里，TacitVLA拿到82.7%，此前是66.7%。如果只用计数任务做微调，成功率还能到89.5%，比人类参考成绩88.5%还高。这里说的人类参考，是由人挑选高层步骤、oracle planner执行具体动作的设定，而TacitVLA是端到端自己把动作全做完。

自动驾驶表现

AlpaSim封闭场景的闭环驾驶测试中，TacitVLA场景得分52.5%，和显式推理的52.3%几乎一样，明显高过无推理模型的46.4%。它的参数量不到对比模型Alpamayo-R1的一半，摄像头数量也只有一半，这个成绩算得上划算。

速度提升显著

速度才是TacitVLA最突出的地方。单张H100 GPU上处理LIBERO任务，它输出一个动作只要147毫秒，显式推理要495毫秒，慢了3.4倍。放到自动驾驶场景，TacitVLA耗时127毫秒，显式推理是269毫秒。

就算是需要写日志的记忆任务，TacitVLA也比显式推理快1.4到1.7倍。日志写入最多占掉动作执行时间的23%，而且完全并行，用户感觉不到延迟。

这意味着什么？

TacitVLA一出来，等于给眼下火热的“推理型VLA”浇了盆冷水，也指出了一条更务实的路。

前一阵业界普遍觉得，模型得学人那样把思考过程说出来，才能做出对的决策。这项研究给出的结论不一样：对机器来说，“内化”的推理可能比“外显”更高效。训练阶段生成推理文本时，模型已经学会了怎么结构化地看懂场景、规划步骤，这种能力沉在神经网络权重里，每次推理不必再生成文本、读一遍来反复确认。

落到实际部署上，这件事分量不轻。机器人和自动驾驶领域，延迟常常直接决定系统能不能用。3.4倍的速度提升，意味着同样的硬件能撑起更高频率的控制循环，或者把算力成本压得更低。

而且TacitVLA实现起来很简单，不用加额外的模型组件，也不用复杂的调度器。任何采用类似架构的VLA模型，训练时把注意力掩码调一下，让动作模块看不到推理token，就能立刻变成TacitVLA。成本这么低的改法，很可能很快被搬进现有的具身智能系统。

当然，推理文本也不是没价值。需要跟人交互、解释决策过程，或者处理特别复杂、得多步纠错的任务时，显式推理照样有用。但对大多数追求实时响应的常规任务来说，TacitVLA证明了一件事：完全可以做到“心中有数，手下不停”。

这项研究的第一作者是纽约大学计算机科学博士生Jack Lu，主要工作在英伟达实习期间完成。论文由英伟达资深研究科学家Yan Wang和斯坦福大学副教授、英伟达自动驾驶研究负责人Marco Pavone指导。具身智能正从实验室往工厂和家庭走，怎么在智能与效率之间找平衡，会是接下来几年的核心议题。TacitVLA给的答案很简洁：有时候，少说多做才是最好的策略。