Recompose and Refine Latent Reasoning Flows for Vision-Language-Action Models

📄 arXiv: 2610.12090v1 📥 PDF

作者: Hongyu Shi, Sen Zhao, Zuyu Zhang, Lifeng Shen, Ding Zou, Xinyu He, Xu Zhang, Qinghua Zhang

分类: cs.AI

发布日期: 2026-10-08

💡 一句话要点

提出FLOWMEM以解决VLA模型中的推理重用问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 视觉-语言-动作 潜在推理 动态检索 推理路径重组 机器人控制

📋 核心要点

  1. 现有的VLA模型在每次执行后丢弃成功的推理，导致计算效率低下，无法有效重用已有经验。
  2. 本文提出FLOWMEM，通过动态检索和重组潜在片段，形成可重用的推理路径，提升模型的推理效率。
  3. 实验结果显示，FLOWMEM在多个基准测试中显著提高了成功率，验证了重用推理的有效性。

📝 摘要（中文）

潜在推理使视觉-语言-动作（VLA）模型能够将多模态观察转化为任务相关的内部状态，从而生成连续的机器人动作。现有方法在每次策略查询中生成或优化这些状态，但在执行后丢弃成功的推理，导致每次都需从头开始计算。本文提出了Reasoning and Flow Memory（FLOWMEM），一个统一的VLA模型，能够将成功的潜在计算转化为可重用的推理经验。FLOWMEM动态检索和重组兼容的潜在片段，形成遵循成功计算的时间结构和进展的推理路径，并在生成动作之前使用当前的视觉和自我感知证据对路径进行优化。实验结果表明，FLOWMEM在RoboMME和LIBERO-Plus上分别达到了48.0%和77.3%的成功率，超越了无记忆策略1.7和4.1个百分点，展示了重用成功潜在计算在闭环VLA控制中的价值。

🔬 方法详解

问题定义：本文旨在解决现有VLA模型在执行后丢弃成功推理的问题，导致每次都需从头开始计算，效率低下。

核心思路：FLOWMEM通过将成功的潜在计算转化为可重用的推理经验，动态检索和重组潜在片段，形成遵循时间结构的推理路径，从而提升推理效率。

技术框架：FLOWMEM的整体架构包括动态检索模块、推理路径重组模块和路径优化模块。动态检索模块根据当前上下文检索相关的潜在片段，重组模块将这些片段组合成推理路径，优化模块则利用当前的视觉和自我感知信息对路径进行调整。

关键创新：最重要的创新在于将成功的潜在推理转化为可重用的经验，形成动态的推理路径，而不是简单地附加固定的上下文。这一设计使得模型能够在不同的任务中灵活应用已有的推理经验。

关键设计：在模型设计中，采用了动态检索算法以确保片段的兼容性，损失函数则结合了路径优化和动作生成的目标，网络结构上采用了模块化设计以便于扩展和调整。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，FLOWMEM在RoboMME和LIBERO-Plus数据集上分别达到了48.0%和77.3%的成功率，较无记忆策略提升了1.7和4.1个百分点，验证了重用推理的有效性和重要性。

🎯 应用场景

该研究的潜在应用领域包括机器人控制、智能助手和自动化系统等，能够有效提升多模态交互的智能化水平。通过重用成功的推理经验，未来的VLA模型将更具适应性和效率，推动智能机器人在复杂环境中的应用。

📄 摘要（原文）

Latent reasoning enables vision-language-action (VLA) models to transform multimodal observations into task-relevant internal states before generating continuous robot actions. While existing methods learn to generate or refine such states for each policy query, they discard successful reasoning after execution and therefore reconstruct similar computation from scratch. We present Reasoning and Flow Memory (FLOWMEM), a unified VLA model that turns successful latent computation into reusable reasoning experience. Rather than appending a fixed retrieved context, FLOWMEM dynamically retrieves and recomposes compatible latent fragments as the embodied context evolves, forming a reasoning route that follows the temporal structure and progress of successful computation. The route is then refined using current visual and proprioceptive evidence before it conditions action generation. Experiments on RoboMME and LIBERO-Plus show that FLOWMEM attains 48.0% and 77.3% success, outperforming memory-free policies by 1.7 and 4.1 percentage points, respectively. These results demonstrate the value of reusing successful latent computation for closed-loop VLA control.