# SACQ senkt VLA-Modellspeicher bei 1,5 Bit um Faktor 4.83

> Ein Forschungsteam berichtet, dass seine Quantisierungsmethode den Erfolg bei Roboteraufgaben trotz deutlich kleinerer Modellgewichte bewahrt. Getestet wurde sie mit GR00T N1.7 und LIBERO.

Oossa · 2026-11-02 · https://oossa.com/de/sacq-shrinks-vla-model-memory-4-83-at-1-5-bits

Forschende haben SACQ vorgestellt, eine Methode zur Komprimierung der Gewichte von Vision-Language-Action-Modellen, die Roboter steuern. Dabei wird die Genauigkeit teilweise danach festgelegt, wie stark die Komprimierung einzelner Schichten die endgültige Aktion des Modells beeinflusst.

In Tests mit GR00T N1.7 erzielte das Team eigenen Angaben zufolge über vier LIBERO-Suites hinweg eine durchschnittliche Erfolgsquote von 93.85% bei 1,5 Bit pro Sprach-/Aktionsgewicht. Gleichzeitig sank der benötigte Modellspeicher um den Faktor 4.83. Dabei handelt es sich um Ergebnisse aus dem arXiv-Paper; das vorliegende Abstract belegt weder eine unabhängige Überprüfung noch nennt es die verwendete Hardware.

## Die Fakten

- GR00T N1.7 erzielte laut den Forschenden über vier LIBERO-Suites hinweg eine durchschnittliche Erfolgsquote von 93.85% bei 1,5 Bit pro Sprach-/Aktionsgewicht.
- Die Forschenden berichten von einer Verringerung des Modellspeichers um 4.83×.

## Warum es wichtig ist

Für Teams, die Robotikmodelle auf Plattformen mit begrenztem Speicher ausführen möchten, könnte die berichtete Komprimierung den Einsatz erleichtern. Das Abstract nennt jedoch keine Hardware, auf der SACQ ausgeführt werden kann, und bestätigt die Ergebnisse nicht durch eine unabhängige Überprüfung.

## Quellen und Referenzen

1. [SACQ: Structure-Aware Codebook Quantization for Ultra-Low-Bit Vision-Language-Action Models](https://arxiv.org/abs/2610.41408) – arXiv cs.CV, 2026-11-02

Zuletzt aktualisiert: 2026-11-02