一句话洞察：扔掉Transformer，换上Mamba——AnoleVLA用不到π0.5六分之一的参数，在真实机器人任务上成功率高出21个百分点，推理速度快3倍。
核心问题：VLA模型为什么又慢又重？
当前主流VLA（OpenVLA、π0等）都基于Transformer，而自注意力机制的计算复杂度随序列长度二次增长。当视觉token增加或引入时序上下文时，推理延迟暴涨，内存吃紧——这直接导致7B参数的OpenVLA在消费级GPU上几乎无法实时运行。
对应论文图1：AnoleVLA与π0.5的对比概览。左图展示深度SSM主干处理语言指令和机器人观察生成轨迹，采用两阶段训练策略；右图物理实验结果显示，AnoleVLA在推理速度和平均成功率上均优于π0.5。
AnoleVLA的三板斧
AnoleVLA的三板斧
对应论文图3：AnoleVLA架构图。多模态token（本体感受、状态差分、视觉、语言）拼接后送入Mamba主干，最终token预测H步动作块。两阶段训练分别监督速度和其时序差分。
关键数字
CLASS支持两种评估模式：
对应论文图4：定性结果对比。(a) AnoleVLA成功抓取圆盘并放置到架子上，基线接近圆盘但未能抓取；(b) AnoleVLA成功抓取锤子敲击螺丝，基线虽然抓到锤子但挥动轨迹错误。
真实世界验证：HSR机器人五项日常操作
对应论文图5：实验平台——丰田HSR机器人（11自由度）和日常YCB物体。
对应论文图6：成功执行示例——(a)“打开抽屉” (b)“把柠檬放进杯子” (c)“把苹果从托盘里拿出来”。
核心发现：在”打开抽屉”这种需要精确力控制和流畅轨迹的接触丰富任务上，AnoleVLA（75%）大幅领先SmolVLA（55%）——这正是加速度损失带来的平滑性优势。
核心启示：为什么Mamba比Transformer更适合VLA？
根本原因在于机器人的感知特性：机器人需要增量式地整合视觉观察来确定动作——先感知本体状态，再融合视觉和语言信息。Mamba的因果递归状态更新天然契合这种”持续过滤、逐步决策”的物理过程，而Transformer的全局注意力则像是在每一步都重新”看一遍整个视频”。
本文内容整理自学术论文：《AnoleVLA: Lightweight Vision-Language-Action Model with Deep State Space Models for Efficient Robotic Manipulation》，仅作学术分享使用，版权归原作者及出版方所有。
• 论文作者：Yusuke Takagi, Motonari Kambara, Daichi Yashima, Koki Seno, Kento Tokura, Komei Sugiura
• 发表单位：庆应义塾大学（Keio University）
• 论文链接：https://anolevla-8z7l8.kinsta.page/
关注【具身智能制造】，每周拆解机器人与 AI 领域顶会，带你紧跟前沿技术～
