# SACQ reduce 4.83× la memoria de modelos VLA con 1.5 bits

> Un equipo de investigación afirma que su método de cuantización mantuvo el éxito en tareas robóticas pese a reducir mucho el tamaño de los pesos del modelo. Lo probaron con GR00T N1.7 y LIBERO.

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

Un grupo de investigadores presentó SACQ, un método para comprimir los pesos de modelos de visión, lenguaje y acción que se utilizan para controlar robots. El método asigna distintos niveles de precisión en función, en parte, de cómo afecta la compresión de cada capa a la acción final del modelo.

En pruebas con GR00T N1.7, el equipo afirma haber alcanzado un éxito promedio del 93.85% en cuatro conjuntos de pruebas de LIBERO con 1.5 bits por peso de lenguaje/acción, y haber reducido la memoria del modelo 4.83 veces. Estos resultados se publicaron en un artículo de arXiv; el resumen proporcionado no confirma una validación independiente ni especifica el hardware de implementación.

## Los hechos

- Según los investigadores, GR00T N1.7 alcanzó un éxito promedio del 93.85% en cuatro conjuntos de pruebas de LIBERO con 1.5 bits por peso de lenguaje/acción.
- Los investigadores informan de una reducción de 4.83× en la memoria del modelo.

## Por qué importa

Para los equipos que buscan ejecutar modelos de control robótico en plataformas con memoria limitada, la compresión descrita podría facilitar la implementación. Sin embargo, el resumen no indica en qué hardware puede ejecutarse SACQ ni confirma los resultados de forma independiente.

## Fuentes y referencias

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

Última actualización: 2026-11-02