近日，广和通AI研究院在具身智能领域取得关键进展：基于自研FiboVLA框架与端侧推理优化技术，团队在多个主流VLA模型上实现平均2.6倍推理加速，并完成GR00T N1.5在边缘侧高算力主控平台的部署。相关成果已通过LIBERO仿真基准数据集与桌面双臂真机环境验证，为具身智能模型在机器人端侧高效运行提供工程支撑。
参数规模激增，机器人在端侧的实时推理成瓶颈
VLA（视觉-语言-动作模型）是具身智能的重要方向。它把视觉输入、语言指令和动作生成连接起来，让机器人能够根据环境和任务要求生成动作。
随着VLA能力提升，模型参数规模和推理成本也随之增加。对于机器人而言，推理速度直接影响动作响应、任务衔接和运行流畅度。
机器人还受到算力、功耗、散热和系统资源限制。如何让复杂VLA模型在端侧高算力主控上稳定、高效运行，成为具身智能落地必须解决的问题。
FiboVLA：压缩视觉Token，优化推理链路
针对VLA模型端侧推理负载高的问题，广和通AI研究院采用自研FiboVLA压缩框架，从模型语义层进行Token级优化。
在VLA推理过程中，视觉和语言信息中存在大量冗余表征。FiboVLA通过精细化视觉Token筛选与压缩，剔除低价值信息，保留与任务理解、环境判断和动作生成强相关的关键内容。
该框架减少了推理过程中的无效计算，在保持模型决策精度、跨模态理解能力和动作生成能力的前提下，大幅降低计算负载。
同时，团队结合推理链路调度与端侧推理引擎优化，进一步提升模型在机器人端侧运行的效率。经验证，该框架不依赖特定模型架构，已在多个主流前沿VLA模型上验证有效，推理吞吐提升2.6倍，端到端时延得到有效压缩。
打通"大模型+小终端"最后一公里
此次突破的核心价值，让原本对算力要求较高的VLA大模型，能够进入机器人端侧系统运行。
基于FiboVLA框架与端侧推理优化技术，广和通AI研究院成功将GR00T N1.5部署至边缘侧高算力主控平台，并完成运行验证。
在LIBERO仿真基准数据集中，该框架保证了推理加速后的任务效果；在真实物理环境中，也在桌面双臂机器人场景中完成GR00T N1.5真机运行验证。
这意味着，机器人可以在端侧更快完成感知、决策与动作生成，形成低延迟、连续化的推理闭环。这不仅是模型速度提升，也是在真实机器人平台上完成了一次工程验证。
从推理加速，走向机器人"本能"
FiboVLA框架的成功应用，进一步沉淀了广和通AI研究院在端侧AI与具身智能方向的核心能力，包括模型压缩、推理引擎优化、机器人平台验证及系统协同能力。
面向具身智能加速发展的产业趋势，广和通将持续结合无线通信、边缘算力、AI工具链与Fibot平台能力，帮助机器人和各类智能终端获得更高效、更稳定的本地智能，为具身智能进入真实系统运行提供工程基础。