Hugging Face发布MambaAct：高效流匹配视觉-语言-动作模型解决方案

摘要：Hugging Face推出MambaAct，旨在解决流匹配视觉-语言-动作（VLA）模型在实时控制中的推理效率瓶颈问题。通过采用紧凑的Mamba架构替代传统的基于Transformer的动作专家，MambaAct在保持视觉-语言前缀编码器的同时，将动作专家的参数量缩减至原来的1/10，大幅降低了推理延迟。在LIBERO和真实世界部署中，MambaAct分别实现了64.8%和58.8%的延迟降低，同时在多个基准测试中提升了任务成功率，展示了其在机器人操作等领域的应用潜力。

---

技术机制剖析

MambaAct的核心创新在于将传统的基于Transformer的动作专家替换为基于Mamba的紧凑动作专家。Mamba架构在处理长序列依赖性方面具有天然优势，尤其适合处理流匹配VLA模型中反复评估的动作专家。具体来说，MambaAct通过以下机制实现了高效的性能提升：

1. Mamba动作混合器：Mamba作为动作混合器，负责对噪声连续动作序列中的依赖关系进行建模，从而替代了传统Transformer的注意力机制。
2. 轻量级上下文压缩器：为了避免重复的token级跨注意力计算，MambaAct引入了一个轻量级的上下文压缩器，将视觉-语言模型的prefix tokens映射为紧凑的条件信号，用于门控和调节每个Mamba动作块。

工程权衡与实测表现

MambaAct在多个方面实现了显著的优化：

• 参数量与计算效率：MambaAct的动作专家参数量仅为原来的1/10，大幅降低了计算成本。
• 延迟降低：在LIBERO基准测试中，MambaAct将流匹配去噪延迟降低了64.8%；在真实世界部署中，降低了58.8%。
• 任务成功率：在三个独立的微调种子下，MambaAct在LIBERO上的平均成功率提高了1.08个百分点，并在LIBERO-Plus和真实世界基准测试中保持了性能提升。

然而，MambaAct的优化也伴随着一些权衡。例如，Mamba架构在处理极长序列时可能面临内存瓶颈。此外，尽管延迟降低显著，但MambaAct在某些极端场景下的鲁棒性仍需进一步验证。

开发者落地与部署建议

对于开发者而言，MambaAct的发布提供了以下几方面的机会：

1. 实时控制应用：MambaAct特别适合需要低延迟和高任务成功率的实时控制应用，如机器人操作和自动化系统。
2. 模型优化：开发者可以利用MambaAct的架构改进现有VLA模型，提升其推理效率。
3. 跨领域迁移：MambaAct的架构改进方法可以迁移到其他需要高效序列处理的领域，如自然语言处理和视频分析。

建议开发者在部署MambaAct时，关注其内存使用情况，并根据具体应用场景进行微调，以充分发挥其性能优势。

---

消息来源：Hugging Face Daily Papers (2026-10-16)

—— 完 ——

主题标签： #Hugging Face 关注 #MambaAct 关注 #VLA模型 关注 #实时控制 关注 #模型优化 关注