# SACQ reduz em 4.83× a memória de modelos VLA a 1.5 bits

> Uma equipe de pesquisa afirma que seu método de quantização preservou o sucesso em tarefas robóticas usando pesos de modelo muito menores, em testes com GR00T N1.7 e LIBERO.

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

Pesquisadores apresentaram o SACQ, um método para comprimir os pesos de modelos de visão-linguagem-ação usados no controle de robôs. Ele define a precisão com base, em parte, no efeito que a compressão de cada camada tem sobre a ação final do modelo.

Em testes com o GR00T N1.7, a equipe relata uma taxa média de sucesso de 93.85% em quatro conjuntos de tarefas do LIBERO, usando 1.5 bits por peso de linguagem/ação e reduzindo a memória do modelo em 4.83 vezes. Esses resultados foram relatados no artigo publicado no arXiv; o resumo fornecido não confirma validação independente nem identifica o hardware usado na implantação.

## Os fatos

- Segundo os pesquisadores, o GR00T N1.7 alcançou uma taxa média de sucesso de 93.85% em quatro conjuntos de tarefas do LIBERO, com 1.5 bits por peso de linguagem/ação.
- Os pesquisadores relatam uma redução de 4.83× na memória do modelo.

## Por que importa

Para equipes que tentam executar modelos de controle de robôs em plataformas com memória limitada, a compressão relatada pode facilitar a implantação. No entanto, o resumo não informa em qual hardware o SACQ pode ser executado nem confirma os resultados de forma independente.

## Fontes e referências

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

Última atualização: 2026-11-02