# SACQ verlaagt geheugen VLA-model 4.83× bij 1.5 bit

> Een onderzoeksteam meldt dat de kwantisatiemethode het succes bij robottaken intact hield, terwijl de modelgewichten veel kleiner werden. De methode is getest met GR00T N1.7 en LIBERO.

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

Onderzoekers introduceerden SACQ, een methode om de gewichten te comprimeren van vision-language-action-modellen die robots aansturen. De methode kent precisie toe op basis van onder meer het effect dat het comprimeren van elke laag heeft op de uiteindelijke actie van het model.

In tests met GR00T N1.7 behaalde het model volgens het team gemiddeld 93.85% succes in vier LIBERO-suites, met 1.5 bits per taal-/actiegewicht. Tegelijkertijd werd het modelgeheugen 4.83 keer kleiner. Dit zijn resultaten die in het arXiv-artikel worden gemeld; uit het aangeleverde abstract blijkt niet dat ze onafhankelijk zijn gevalideerd of op welke hardware de methode is ingezet.

## De feiten

- GR00T N1.7 behaalde volgens de onderzoekers gemiddeld 93.85% succes in vier LIBERO-suites, bij 1.5 bits per taal-/actiegewicht.
- De onderzoekers melden een afname van het modelgeheugen met 4.83×.

## Waarom het ertoe doet

Voor teams die robotbesturingsmodellen willen draaien op platforms met weinig geheugen, kan de gemelde compressie de inzet ervan vergemakkelijken. Het abstract vermeldt echter niet op welke hardware SACQ kan draaien en bevestigt de resultaten niet onafhankelijk.

## Bronnen en referenties

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

Laatst bijgewerkt: 2026-11-02