视觉-语言-动作（Vision-Language-Action, VLA）模型通常通过在机器人数据上预训练大规模视觉-语言模型（Vision-Language Model, VLM），来弥合感知空间与动作空间之间的鸿沟。尽管该方法显著提升了模型性能，但也带来了高昂的训练成本。本文研究了如何高效地将视觉-语言（VL）表征与动作（A）空间进行衔接。为此，我们提出了一种名为VLA-Adapter的新范式，旨在降低VLA模型对大规模VLM及大量预训练数据的依赖。为此，我们首先系统性地分析了多种视觉-语言条件的有效性，并揭示了在连接感知与动作空间过程中至关重要的关键条件。基于这些发现，我们设计了一种轻量级策略模块——桥接注意力（Bridge Attention），可自主地将最优条件注入动作空间。由此，我们的方法仅需一个0.5B参数的主干网络，且无需任何机器人数据的预训练，即可实现高性能表现。在模拟与真实世界机器人基准测试中的大量实验表明，VLA-Adapter不仅达到了当前最先进的性能水平，还实现了迄今为止最快的推理速度。此外，得益于所提出的先进桥接机制，VLA-Adapter仅需在单张消费级GPU上训练8小时，即可构建出强大的VLA模型，极大降低了VLA模型部署的技术门槛。项目主页：https://vla-adapter.github.io/。