机器人伸手抓球时，快还不够，还得在靠近球的最后几厘米足够准。VQVLA瞄准的正是这种取舍：VLA（Vision-Language-Action，把画面、语言指令和机器人动作串起来的模型）若输出动作太慢，依据的现场状态可能已经过时。
它先看相邻动作的运动幅度：移动距离较大时采用低精度量化；抓取、放置等细小调整阶段则切回高精度。这里的向量量化，是把许多相近权重换成少量代表向量，像用有限色卡近似大量颜色。更巧的一步是复用反复出现的“码字”——量化后的代表向量：先合并部分输入再做乘法，并跨列复用中间结果，以减少重复计算。
作者还为这套方法设计了专用加速器，并称其相对 A100 GPU 获得 6.5 倍加速，准确率下降可忽略。这是一条不同于直接剪小模型的路线，不过上述效果来自论文自述，且依赖定制硬件，并非现有 GPU 上即插即用的软件优化。