← 视觉 · 语言 · 动作 / 动作分布与效率

正式发表 / Vision–Language–Action

FAST

FAST: Efficient Action Tokenization for Vision-Language-Action Models

RSS · 2025
GitHub 未确认Stars —引用 810

快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
动作序列的频域压缩 token 化FAST · 原文 Fig. 4 · p.5 ↗

先对归一化动作块进行离散余弦变换,量化并按频率顺序展开系数,再用 BPE 压缩为离散 token。

  1. 01动作块转频域
  2. 02量化并展开系数
  3. 03BPE 压缩为 token
FAST动作序列的频域压缩 token 化
动作序列的频域压缩 token 化

先对归一化动作块进行离散余弦变换,量化并按频率顺序展开系数,再用 BPE 压缩为离散 token。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

利用频域压缩把连续动作序列编码为离散 token,改善高频动作的自回归学习。

WHY READ IT

为什么放在这条路线

在直接分箱与连续动作生成之间增加一个有代表性的动作表示方案。

当前阶段动作分布与效率 ↗

能量、量化、扩散与流匹配如何生成动作?

READ WITH A QUESTION

读的时候,留意什么

训练效率、token 数量和部署延迟要分开比较;FAST 动作编码不等于名称相似的世界模型加速方法。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器