Investigadores dirigidos por Kai Ding presentaron WAM-Cache, un sistema que reutiliza representaciones de clave y valor de un transformador de difusión de video entre bloques de control. En vez de volver a calcular todo el codificador visual en cada paso, el sistema actualiza solo un conjunto disperso de tokens, seleccionados según la atención del experto en acciones y una medida de sorpresa visual, con un límite estricto de antigüedad. En el benchmark Fast-WAM, reduce entre un 32% y un 42% las operaciones de punto flotante (FLOPs) del codificador de video en RoboTwin 2.0, LIBERO y pruebas en el mundo real, con una diferencia de entre 0,7 y 1,8 puntos porcentuales respecto del modelo de referencia completo en simulación, y de 2,5 puntos en un robot real.
Por qué importa
Los desarrolladores de robótica pueden ejecutar políticas de manipulación de alto rendimiento en hardware más económico sin una gran caída en las tasas de éxito.
