# SACQ حافظه مدل VLA را در 1.5 بیت 4.83× کاهش می‌دهد

> پژوهشگران می‌گویند روش کوانتیزه‌سازی آن‌ها با کوچک‌تر کردن چشمگیر وزن‌های مدل، موفقیت در انجام وظایف ربات را حفظ کرده است؛ این روش با GR00T N1.7 و LIBERO آزمایش شد.

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

پژوهشگران SACQ را معرفی کرده‌اند؛ روشی برای فشرده‌سازی وزن‌های مدل‌های بینایی-زبان-کنش که برای کنترل ربات‌ها به کار می‌روند. این روش دقت را تا حدی بر اساس تأثیر فشرده‌سازی هر لایه بر کنش نهایی مدل تعیین می‌کند.

پژوهشگران می‌گویند GR00T N1.7 در آزمایش‌ها، با استفاده از 1.5 بیت برای هر وزن زبان/کنش، در چهار مجموعه‌آزمون LIBERO به‌طور میانگین به نرخ موفقیت 93.85% رسیده و حافظه مدل را 4.83 برابر کاهش داده است. این نتایج در مقاله arXiv گزارش شده‌اند؛ چکیده ارائه‌شده تأیید مستقل آن‌ها را نشان نمی‌دهد و سخت‌افزار مورد استفاده برای اجرا را نیز مشخص نمی‌کند.

## حقایق

- به گفته پژوهشگران، GR00T N1.7 با استفاده از 1.5 بیت برای هر وزن زبان/کنش، در چهار مجموعه‌آزمون LIBERO به‌طور میانگین به نرخ موفقیت 93.85% رسید.
- پژوهشگران از کاهش 4.83× حافظه مدل خبر داده‌اند.

## چرا مهم است

برای تیم‌هایی که می‌خواهند مدل‌های کنترل ربات را روی پلتفرم‌هایی با حافظه محدود اجرا کنند، این فشرده‌سازیِ گزارش‌شده می‌تواند استقرار مدل را آسان‌تر کند؛ اما چکیده نمی‌گوید SACQ روی چه سخت‌افزاری قابل اجراست و نتایج را نیز به‌طور مستقل تأیید نمی‌کند.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-11-02