# SACQ以1.5比特将VLA模型内存占用缩小4.83倍

> 研究团队称，其量化方法在大幅压缩模型权重的同时，仍保留了机器人任务成功率；测试对象为GR00T N1.7，评测基准为LIBERO。

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

研究人员推出了SACQ，这是一种用于压缩视觉-语言-动作（VLA）模型权重的方法。这类模型用于控制机器人。SACQ会根据压缩各层对模型最终动作的影响，部分决定各层采用的精度。

研究团队报告称，在GR00T N1.7的测试中，使用每个语言/动作权重1.5比特的精度，模型在四个LIBERO套件上的平均成功率达到93.85%，模型内存占用则缩小了4.83倍。这些结果来自研究团队发表于arXiv的论文；所提供的摘要未能证明结果经过独立验证，也未说明测试所用的部署硬件。

## 事实

- 据研究人员称，GR00T N1.7在四个LIBERO套件上的平均成功率达到93.85%，每个语言/动作权重采用1.5比特精度。
- 研究人员报告称，模型内存占用减少了4.83倍。

## 为什么重要

对于希望在内存受限平台上运行机器人控制模型的团队来说，据称实现的压缩效果或许能让部署更容易；但摘要没有说明哪些硬件能够运行SACQ，也未确认这些结果经过独立验证。

## 来源与参考

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

最后更新: 2026-11-02