📖 AI 总结

本文针对视觉-语言-动作（VLA）模型推理加速中潜在的任务失败风险展开研究。现有加速方法（如动作分块、视觉token剪枝）通常以延迟和平均任务成功率作为评价指标，但平均指标会掩盖加速导致的信息丢失和任务失败问题，且由于动作偏差在闭环轨迹中不断累积，这类失败只能在完整回合中观测。为此，作者将加速导致的失败定义为：在相同初始条件下进行配对 rollout，参考策略成功而加速策略失败的情形。基于此提出 CARE 方法，通过校准集上的配对 rollout，为加速导致的失败风险提供有限样本保证，确保其低于用户设定的预算，并部署通过认证的最快候选方案，若无候选合格则回退至参考策略。CARE 仅依赖终端结果和实测计算量，可适用于多种加速机制，并通过序贯检验和失败触发的参考 rollout 控制认证成本。在四个 LIBERO 套件与 OpenVLA-OFT 上，CARE 认证了 9.0 至 10.8 倍的加速，并以 95% 置信度保证至少保留 85.8% 的参考成功回合；在严格预算下，无保证的选择器在多达 75% 的试验中超出预算，而 CARE 始终保持在预算内，其序贯形式比穷举评估减少 78.9% 的 rollout。该方法还可推广至 π0.5 的流步缩减，以及 Crafter 环境中的 Qwen3.5-9B 和 Llama-3.1-8B 智能体。

🔑 关键词速览