提出了一种高效的令牌适配框架ETA-VLA，旨在优化视觉-语言-动作（VLA）模型在自动驾驶系统中的应用。该框架处理过去的多视角图像帧，并引入了一种新颖的内部LLM稀疏聚合器（ILSA），该聚合器灵感来源于人类驾驶员的注意力分配。ILSA能够动态识别和剪枝冗余信息，从而显著降低计算负担，尤其是在自注意力机制的二次复杂性方面。ETA-VLA的设计旨在提升时间推理的准确性，同时保持计算效率，为复杂场景...