Onderzoekers hebben MambaAct geïntroduceerd, een kleinere actie-expert voor vision-language-actionmodellen (VLA) op basis van flow matching. De visueel-talige encoder van het eerdere π₀.₅-model blijft behouden, maar het transformer-gebaseerde actiegedeelte is vervangen door een compacte Mamba-module. Daardoor is de actie-expert tien keer kleiner en daalt de latentie bij het denoisingproces met 64.8% op de LIBERO-simulatiebenchmark en met 58.8% in tests in de echte wereld. Tegelijkertijd stijgt het gemiddelde slagingspercentage op LIBERO met ongeveer 1 procentpunt. De code en modelgewichten zijn openbaar beschikbaar gesteld.
Waarom het ertoe doet
Robotici kunnen VLA-modellen sneller laten draaien op hardware met beperkte capaciteit, zodat robots vrijwel in realtime voorwerpen kunnen manipuleren.
