余翀 (复旦大学 眸深智能) 等投稿

智猩猩AI整理

当具身智能成为 AI 领域的终极赛道，所有从业者都在面对同一个灵魂拷问：

为什么效果拉满的顶级 VLA（视觉 - 语言 - 动作）模型，只能跑在数据中心的 H100 上，却无法落地到资源受限的机器人端侧？为什么做了轻量化的模型，又必然面临精度跳水、任务成功率暴跌的行业宿命？

为此，眸深智能提出基于动态麦克劳林级数（Dynamic Maclaurin-Series, DMS）的具身智能运动大脑。从 Transformer 架构的底层逻辑出发，以数学定理为根基完成了架构级创新，在不损失、甚至反超 SOTA 模型任务成功率的前提下，实现了内存占用最高压缩 89%、推理速度最高 75% 的飞跃，真正填平了 “顶级智能” 与 “端侧落地” 之间的鸿沟，让通用具身智能的规模化商业落地，迎来了关键拐点。

• 论文标题：Dynamic Maclaurin-Series-Based Embodied Model

01 VLA 模型的 “不可能三角”

VLA 模型是机器人的 “中枢大脑”，它能直接把视觉画面、自然语言指令，转化为机器人的精准动作，是当前具身智能的核心技术底座。但时至今日，行业始终困在一个无法破解的 “不可能三角” 里：

• 想要顶级的任务泛化能力和成功率，就要用大参数量、深层数的 Transformer 架构，随之而来的是爆炸式的内存占用和算力开销，只能在云端部署，端侧实时推理根本无从谈起；
• 想要端侧可部署，就只能做模型裁剪、量化、token 剪枝等碎片化优化，而这些操作无一例外，都会以牺牲模型精度、任务成功率为代价，最终让机器人的泛化能力和操作稳定性大打折扣。

更关键的是，过往所有的优化方案，都只是“局部修修补补”：无论是 KV 缓存、动态早退出，还是结构化剪枝、低比特量化，都只是针对模型的单一模块做优化，解决了一个瓶颈，另一个瓶颈立刻成为新的约束，最终提速效果有限，还始终跳不出 “压缩必掉点” 的行业铁律。

图1：原生 Transformer 架构

而 DMS 模型，从数学第一性原理出发，直接重构了 Transformer 的权重表达逻辑，从根源上解决了层间权重冗余、算力无效浪费的核心问题，第一次真正打破了这个 “不可能三角”。

02 数学定理重构权重体系，内存占用指数级下降

DMS 模型的核心创新根基，是微积分中经典的麦克劳林级数定理：任意在 0 点无限可微的函数，都可以展开为以 0 为中心的幂级数，用有限的级数项，就能精准拟合复杂的函数变换。

而 Transformer 架构中，每一层的注意力模块（Q/K/V/ 输出投影）、前馈网络（FFN），本质上就是一个对输入张量进行变换的非线性函数。基于这个核心洞察，研究人员彻底推翻了传统 Transformer “每层独立存储完整权重张量” 的设计，提出了一套统一的麦克劳林级数权重逼近框架：

• 不再为每一层 Transformer 单独存储 Q/K/V/FFN 的完整权重张量，而是用一小套全局共享的麦克劳林级数权重模板，配合每层专属的可学习标量系数，通过加权求和，精准拟合出每一层的权重变换；
• 对于形状一致的 Q/K/V 投影层，复用同一套共享模板，仅通过系数差异实现层间的表达区分，进一步压缩冗余存储。

图2：DMS 模型架构

这是什么概念？

传统的 32 层 Transformer VLA 模型，就像盖 32 层楼，每一层都要重新设计、生产一整套完全独立的钢筋、水泥、建材，不仅耗材巨大，还极度占用存储空间；

而 DMS 模型，相当于只需要生产一套标准化的核心建材模板，每一层只需要调整几个配比系数，就能盖出结构强度、功能完全达标，甚至更优的楼层。

在最优配置下，仅用 12 套共享权重模板，就能完美拟合 32 层 Transformer 的全部权重变换，带来的效果是颠覆性的：

模型运行内存直接降至原版的 41%，极限配置下甚至能压缩到 11%，而任务成功率没有任何损失。这不是小修小补的模型压缩，而是从底层逻辑上，彻底解决了 Transformer 架构层间权重冗余的行业顽疾。

03 首创动态级数扩展机制，效率与精度双向拉满

如果说共享权重模板解决了“内存爆炸” 的问题，首创的动态级数扩展机制，则彻底解决了“算力无效浪费” 的行业痛点，真正实现了 “好钢用在刀刃上”。

麦克劳林级数的核心精髓在于：拟合简单函数，只需要少数低阶项；只有拟合复杂函数时，才需要叠加更多高阶项。该团队把这个数学原理，完美落地到了 VLA 模型的推理过程中：

传统 VLA 模型，无论输入的指令和画面是简单还是复杂，都必须跑满全部层数、全部计算量，就像不管是城市拥堵路段还是高速公路，都始终一脚油门踩到底，不仅费油，还毫无必要；

而 DMS 模型，能根据输入的视觉 - 语言复杂度，自适应调整调用的麦克劳林级数项数量：

• 面对简单场景（比如重复的抓取动作、画面变化小、指令语义简单），仅调用低阶权重模板，用最小的算力完成推理，极致提升响应速度；
• 面对复杂场景（比如多物体协同操作、环境动态变化、长时序复杂指令），自动叠加高阶权重模板，保证模型的表达能力和操作精度丝毫不打折。

图3：麦克劳林级数权重模板的动态调用机制

为了让复杂度判断更精准，首创了target-action-diff 目标动作差分策略：先从语言指令中提取核心目标物体和对应动作，过滤掉画面中无关的背景和无效视觉 token，只针对有效区域计算帧间差异，判断场景复杂度。

消融实验证明，这套策略比全帧差分策略，能进一步提升任务成功率，让模型真正做到“关注该关注的，计算该计算的”。

图4：target-action-diff 策略原理

04 仿真与真实世界双重验证

在行业权威基准、真实机器人平台、全品类硬件部署上，完成了全方位的验证，每一组数据，都在刷新行业的认知。

1. 任务效果：轻量化不掉点，甚至反超 SOTA 基线

在LIBERO和SIMPLER两大行业公认的测试集上， DMS 模型与当前业界顶级的 VLA 基线（Octo、π0、π0.5、OpenVLA-OFT 等）正面交锋，结果一目了然：

• 在 LIBERO 基准上，π0-DMS 平均成功率从原版的 94.2% 提升至 94.3%，OpenVLA-OFT-DMS 从 97.1% 提升至 97.2%，全任务维度与原版持平甚至反超；
• 在 SIMPLER 基准上，全系列 DMS 模型均实现了成功率的小幅提升，彻底打破了 “模型压缩必掉精度” 的行业铁律；
• 在ALOHA、Emergen 两大主流真实机械臂平台上，放球入箱、桌面清洁、碗碟堆叠三大真实家用 / 工业场景中，DMS 模型平均成功率全面超越原版，在真实物理世界的噪声与不确定性中，验证了模型的鲁棒性与有效性。

2. 部署性能：跨平台全维度提速，端侧部署迎来史诗级突破

在从高端数据中心到边缘端的全品类硬件上，完成了部署测试，提速效果远超当前业界所有轻量化方案：

与此同时，模型的内存占用实现了断崖式下降：12 个共享模板的最优配置下，Jetson Orin 端侧运行内存仅为原版的 41%，极限配置下可降至 11%，彻底解决了机器人端侧内存不足的核心痛点。

3. 与业界轻量化方案的正面 PK：全面碾压，无短板胜出

将 DMS 模型与当前业界主流的轻量化方案（动态早退出、INT4 量化、token 剪枝、token 缓存）进行了同条件对比，结果毫无悬念：

DMS 模型在保持与原版近乎一致的任务成功率的前提下，实现了远超所有方案的推理提速，同时内存占用降幅创下行业新高。即便是 INT4 量化版本，DMS 也在 Jetson Orin 上实现了 2.96 倍的提速，远超同精度下 QAIL 量化方案的 2.47 倍，同时任务成功率高出 2 个百分点。

05 这不是单点优化，而是具身智能落地的架构革命

很多人问，DMS 模型的核心壁垒到底是什么？

答案从来不是某一个模块的优化，而是从数学原理出发，对 VLA 模型架构的底层重构。过往的所有方案，都在 Transformer 的固有框架里做 “减法”，而我们用麦克劳林级数定理，建立了一套全新的权重表达与动态推理体系，做的是 “从 0 到 1 的创新”。

具身智能的终极愿景，是让机器人走进工厂、走进家庭、走进人类生活的每一个场景。而这个愿景最大的卡点，从来不是实验室里的模型有多强，而是顶级的智能能否真正落地到每一台机器人的端侧，能否在有限的硬件资源里，实现稳定、实时、精准的操控。

DMS 动态麦克劳林级数具身智能运动大脑，正是为了解决这个核心问题而生。它让顶级 VLA 模型告别了对云端大算力的依赖，让机器人端侧就能拥有媲美数据中心的智能能力，更低的延迟、更高的安全性、更低的部署成本，为工业机器人、服务机器人、人形机器人的规模化落地，铺平了核心技术道路。

而这，只是起点。未来，将继续以数学为根基，以落地为目标，持续突破具身智能的技术边界，让通用智能真正走进物理世界。