广和通AI研究院在具身智能领域取得新进展。团队基于自研FiboVLA框架与端侧推理优化技术，在多个主流VLA模型上实现了平均2.6倍的推理加速。

同时，团队成功将GR00T N1.5部署到了边缘侧高算力主控平台。相关成果已在LIBERO仿真基准数据集和桌面双臂真机环境中完成验证。这为具身智能模型的机器人端侧高效运行铺平了道路。

参数规模激增，机器人在端侧的实时推理成瓶颈

VLA——视觉-语言-动作模型，是具身智能的关键方向。它把视觉输入、语言指令和动作生成串在一起，让机器人可以根据环境与任务指令实时生成行动。

但问题也随之而来：VLA能力越强，模型参数规模和推理成本就越高。对于机器人来说，推理速度直接决定了动作响应是否及时、任务衔接是否顺畅、整体运行是否流畅。

而且机器人本身还受限于算力、功耗、散热和系统资源。想让复杂的VLA模型在端侧高算力主控上稳定、高效地跑起来，这已经成为具身智能落地必须跨过的一道坎。

FiboVLA：压缩视觉Token，优化推理链路

广和通AI研究院的做法是自研FiboVLA压缩框架。该框架从模型语义层入手，对Token进行精细化优化。

在VLA推理过程中，视觉和语言信息里其实藏着大量冗余表征。FiboVLA通过筛选和压缩视觉Token，剔除低价值信息，只保留与任务理解、环境判断和动作生成强相关的关键内容。

这样一来，推理过程中的无效计算被大大减少。同时，模型的决策精度、跨模态理解能力和动作生成能力基本不受影响——计算负载却大幅降下来了。

配合推理链路调度和端侧推理引擎优化，整体效率进一步提升。关键点是：这个框架不依赖特定模型架构，已在多个主流前沿VLA模型上验证有效。推理吞吐提升2.6倍，端到端时延也被压得很紧凑。

打通“大模型+小终端”最后一公里

这次突破的核心价值，就是让原本对算力要求很高的VLA大模型，终于能稳稳当当进入机器人端侧系统运行。

基于FiboVLA框架和端侧推理优化技术，广和通AI研究院已经把GR00T N1.5部署到了边缘侧高算力主控平台，并且完成了运行验证。

• 在LIBERO仿真基准数据集中，推理加速后的任务效果没有打折扣。
• 在真实物理环境中，桌面双臂机器人场景下GR00T N1.5的真机运行验证也顺利通过。

这意味着，机器人现在可以在端侧更快地完成感知、决策与动作生成，形成低延迟、连续化的推理闭环。这不只是模型速度的提升，更是在真实机器人平台上完成了一次实打实的工程验证。

从推理加速，走向机器人“本能”

FiboVLA框架的成功落地，为广和通AI研究院在端侧AI与具身智能方向上积累了一套核心能力，包括：

• 模型压缩
• 推理引擎优化
• 机器人平台验证
• 系统协同

面向具身智能加速发展的产业趋势，广和通正在把无线通信、边缘算力、AI工具链与Fibot平台能力整合起来，帮助机器人和各类智能终端获得更高效、更稳定的本地智能。这为具身智能真正进入真实系统运行，打下了坚实的一步。

《夸克》非常好用的免费AI浏览器

下载APP查看