Fast-ThinkAct：可言语化的 latent 规划，延迟降 89.3%

本页是 VLM 自我改进演化轴第⑤阶段的收官，也是与本方向 motivation 最接近的一篇： Fast-ThinkAct（Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning）^[1]（CVPR 2026）。

1. 问题

reasoning VLA 的显式 CoT 带来泛化，也带来致命的：

$\text{explicit CoT} \rightarrow \underline{\text{high inference latency}}$

2. 方法

把 teacher 的冗长 reasoning $r_{1:T}$ 蒸馏成 verbalizable latent reasoning（可言语化的 latent CoT），偏好引导目标对齐操作轨迹，同时迁移语言与视觉两种规划能力， action policy 基于 latent plan 执行。

3. 结果

推理延迟最高降低 89.3%（相对 SOTA reasoning VLA）；
保持长 horizon 规划、few-shot 适应与 failure recovery。

4. 与本方向只差一步

$\underline{ \text{expensive reasoning} \rightarrow \text{persistent compact capability} }$

区别在 teacher 是谁：

	teacher	训练发生地
Fast-ThinkAct	离线 teacher 模型	离线 GPU
本方向	设备自己的 past-self（自己过去的成功 reasoning）	端侧 LoRA

把 teacher 换成 past-self、训练搬上设备（端侧训练）， "第一次想很久、第二次不用想"就闭环了。

参考文献

[1] HUANG C P, MAN Y Z, YU Z D, et al. Fast-ThinkAct: efficient vision-language-action reasoning via verbalizable latent planning[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2026. https://arxiv.org/abs/2601.09708

Fast-ThinkAct：可言语化的 latent 规划