Discrete Diffusion VLA: Introduzindo a Difusão Discreta na Decodificação de Ações em Políticas Visão-Linguagem-Ação
Discrete Diffusion VLA: Bringing Discrete Diffusion to Action Decoding in Vision-Language-Action Policies
August 27, 2025
Autores: Zhixuan Liang, Yizhuo Li, Tianshuo Yang, Chengyue Wu, Sitong Mao, Liuao Pei, Xiaokang Yang, Jiangmiao Pang, Yao Mu, Ping Luo
cs.AI
Resumo
Os modelos Visão-Linguagem-Ação (VLA) adaptam grandes arquiteturas de visão e linguagem para mapear imagens e instruções em ações robóticas. No entanto, os decodificadores VLA predominantes ou geram ações de forma autoregressiva em uma ordem fixa da esquerda para a direita ou anexam cabeças de difusão contínua ou de correspondência de fluxo fora da arquitetura principal, exigindo treinamento especializado e amostragem iterativa que dificultam uma arquitetura unificada e escalável. Apresentamos o Discrete Diffusion VLA, uma política de transformador único que modela segmentos de ação discretizados com difusão discreta e é treinada com o mesmo objetivo de entropia cruzada que a arquitetura VLM. O design mantém o paradigma de refinamento progressivo da difusão, permanecendo nativamente compatível com a interface de tokens discretos dos VLMs. Nosso método alcança uma ordem de decodificação adaptativa que resolve elementos de ação mais fáceis antes dos mais difíceis e usa remascaramento secundário para revisitar previsões incertas ao longo das rodadas de refinamento, o que melhora a consistência e permite correção robusta de erros. Este decodificador unificado preserva os pré-treinados de visão e linguagem, suporta decodificação paralela, quebra o gargalo autoregressivo e reduz o número de avaliações de função. O Discrete Diffusion VLA alcança 96,3% de taxa média de sucesso no LIBERO, 71,2% de correspondência visual no SimplerEnv Fractal e 49,3% no geral no SimplerEnv Bridge, superando tanto as abordagens autoregressivas quanto as de difusão contínua. Esses resultados indicam que o decodificador de ação com difusão discreta suporta modelagem precisa de ações e treinamento consistente, estabelecendo as bases para escalar VLA para modelos e conjuntos de dados maiores.
English
Vision-Language-Action (VLA) models adapt large vision-language backbones to
map images and instructions to robot actions. However, prevailing VLA decoders
either generate actions autoregressively in a fixed left-to-right order or
attach continuous diffusion or flow matching heads outside the backbone,
demanding specialized training and iterative sampling that hinder a unified,
scalable architecture. We present Discrete Diffusion VLA, a single-transformer
policy that models discretized action chunks with discrete diffusion and is
trained with the same cross-entropy objective as the VLM backbone. The design
retains diffusion's progressive refinement paradigm while remaining natively
compatible with the discrete token interface of VLMs. Our method achieves an
adaptive decoding order that resolves easy action elements before harder ones
and uses secondary remasking to revisit uncertain predictions across refinement
rounds, which improves consistency and enables robust error correction. This
unified decoder preserves pretrained vision language priors, supports parallel
decoding, breaks the autoregressive bottleneck, and reduces the number of
function evaluations. Discrete Diffusion VLA achieves 96.3% avg. SR on LIBERO,
71.2% visual matching on SimplerEnv Fractal and 49.3% overall on SimplerEnv
Bridge, improving over both autoregressive and continuous diffusion baselines.
These findings indicate that discrete-diffusion action decoder supports precise
action modeling and consistent training, laying groundwork for scaling VLA to
larger models and datasets.