# SACQ riduce di 4.83× la memoria dei modelli VLA a 1.5 bit

> Un team di ricerca riferisce che il suo metodo di quantizzazione ha mantenuto il successo nei compiti robotici riducendo notevolmente i pesi del modello. I test sono stati condotti con GR00T N1.7 e LIBERO.

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

I ricercatori hanno presentato SACQ, un metodo per comprimere i pesi dei modelli vision-language-action usati per controllare i robot. Il metodo assegna livelli di precisione diversi anche in base all’effetto che la compressione di ciascun layer ha sull’azione finale del modello.

Nei test con GR00T N1.7, il team riferisce un successo medio del 93.85% nelle quattro suite LIBERO usando 1.5 bit per peso relativo a linguaggio/azione, con una riduzione della memoria del modello di 4.83 volte. Si tratta di risultati riportati nell’articolo su arXiv; l’abstract fornito non ne attesta una verifica indipendente né indica l’hardware usato per l’esecuzione.

## I fatti

- Secondo i ricercatori, GR00T N1.7 ha raggiunto un successo medio del 93.85% nelle quattro suite LIBERO usando 1.5 bit per peso relativo a linguaggio/azione.
- I ricercatori riferiscono una riduzione della memoria del modello di 4.83×.

## Perché conta

Per i team che vogliono eseguire modelli di controllo robotico su piattaforme con memoria limitata, la compressione riportata potrebbe facilitare la distribuzione. L’abstract, tuttavia, non specifica quale hardware possa eseguire SACQ né conferma i risultati in modo indipendente.

## Fonti e riferimenti

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

Ultimo aggiornamento: 2026-11-02