Проблема скрытых сбоев в VLA
Визуально-языково-действенные (VLA) модели требуют огромных вычислительных ресурсов на каждом шаге управления. Существующие методы ускорения, такие как чанкинг действий и прунинг визуальных токенов, оцениваются по средней успешности задач и латентности. Однако эти метрики скрывают критический риск: ускорение может отбрасывать важную информацию, что приводит к провалу задач, которые оригинальная политика решала бы успешно. В замкнутом цикле отклонения действий накапливаются, и провал становится заметен только после завершения всей эпизодической траектории.
Методология CARE: сертифицированный выбор
Авторы предлагают подход CARE (Certified Acceleration for Vision-Language-Action Inference), который использует парные запуски (paired rollouts) из идентичных начальных условий на калибровочном наборе данных. Метод предоставляет гарантии конечной выборки, что риск отказа, вызванного ускорением, не превышает заданный пользователем бюджет. Если ни один ускоренный кандидат не проходит проверку, система переключается на оригинальную (reference) модель. Подход опирается только на конечные результаты и измеренные вычислительные затраты, что делает его универсальным для различных механизмов ускорения.
Ключевые метрики и результаты
Эксперименты проводились на четырех наборах задач LIBERO с моделью OpenVLA-OFT. Метод CARE демонстрирует высокую эффективность, обеспечивая значительное ускорение при строгом контроле надежности. Ниже приведены сравнительные характеристики эффективности различных подходов:
| Метрика / Параметр | CARE (Sequential) | Без гарантий (No Guarantees) | Полная оценка (Exhaustive) |
|---|---|---|---|
| Ускорение (Speedup) | 9.0 -- 10.8x | Не указано (превышает бюджет) | Базовый уровень (1x) |
| Сохранение успешных эпизодов | ≥ 85.8% (при 95% доверии) | До 75% случаев превышают бюджет риска | 100% (Reference) |
| Экономия запусков (Rollouts) | На 78.9% меньше, чем полная оценка | Информация недостаточна | 100% (Базовый уровень) |
Генерализация на другие модели
Метод CARE не ограничивается одной архитектурой. Он успешно обобщен на снижение количества шагов потока (flow-step reduction) для модели $\pi_{0.5}$, а также на агентов Qwen3.5-9B и Llama-3.1-8B в среде Crafter. Это подтверждает, что CARE является универсальным инструментом для безопасного развертывания тяжелых VLA-моделей в робототехнике и автономных системах, где цена ошибки слишком высока для использования «черных ящиков» ускорения.
Источник: arXiv cs.CL ↗