时序缓存

SwiftVLA：以极小开销为轻量 VLA 模型解锁时空动态

SwiftVLA: Unlocking Spatiotemporal Dynamics for Lightweight VLA Models at Minimal Overhead

用预训练的 4D 视觉几何 Transformer 加时序缓存，从 2D 图像流增量提取 4D 特征，再通过可学习的 Fusion Tokens 与未来预测目标把 4D 特征注入轻量 VLM；掩码重建策略让 4D 分支在推理时可丢弃，为视觉侧提供了一条「训练时用几何先验、部署时零开销」的可复用范式。