KI News: Kurz und klar.

Ein neues Forschungsprojekt namens VGAS (Value‑Guided Action‑Chunk Selection) verspricht, die Zuverlässigkeit von Vision‑Language‑Action‑Modellen bei der Anpassung an neue Aufgaben mit nur wenigen Demonstrationen deutlich zu erhöhen. Die Autoren zeigen, dass herkömmliche Feinabstimmungen zwar oft semantisch plausible Trajektorien erzeugen, aber bei geometrischen Unsicherheiten zu unerwarteten Ausführungsfehlern führen.

Vision‑Language‑Action‑Modelle (VLA) zeigen bislang ungeahnte Möglichkeiten für eingebettete Intelligenz, doch ihre enormen Rechen- und Speicheranforderungen erschweren die praktische Nutzung. Traditionelle Kompressions‑ und Beschleunigungsansätze kombinieren Quantisierung oder Token‑Pruning meist einzeln und scheitern dabei an einer beobachteten Inkompatibilität.

Vision‑Language‑Action‑Modelle (VLA) verarbeiten Bilder bislang frame‑by‑frame und vernachlässigen dadurch die wertvolle zeitliche Kohärenz, die bei robotergestützten Manipulationsaufgaben entsteht. Das neue Verfahren Temporal Token Fusion (TTF) löst dieses Problem, indem es ohne zusätzliche Trainingsschritte die aktuellen und vergangenen visuellen Repräsentationen intelligent kombiniert.