arXiv cs.AI· Yujin Wang, Junli Chen, Yixuan Li, Shunan Dong, Huazhong Yang, Yongpan Liu, Hongyang Jia·· 3 天前AI 评分31
速度提升悖论：重新审视具身任务中的推理速度与质量权衡
The Speedup Paradox: Rethinking Inference Speed-Quality Trade-off in Embodied Tasks
AI 导读
研究者提出 TISED 分析框架，统一量化量化、剪枝、异步推理等有损高效推理技术对具身任务的影响。该框架揭示三类悖论效应：静态任务中优化可能延长端到端完成时间，动态任务中适度有损优化反而能提升任务成功率，且两种效应的单调性与最优位置会随硬件配置变化。
正文 · AI 翻译
摘要：具身基础模型近来被广泛用于提升机器人的泛化能力和任务成功率。此前的工作采用量化、剪枝和异步推理等有损高效推理技术，以小幅动作质量下降换取更低的单次推理计算成本和动作间延迟。然而，与传统静态机器学习任务不同，具身任务涉及与环境的反复交互，任务级性能不仅取决于推理成本，还取决于具身执行特有的闭环效应，而当前高效推理研究对此刻画仍不充分。在本工作中，我们提出 TISED（\underline{T}ask-level \underline{I}nference \underline{S}peedup \underline{E}ffect \underline{D}ecomposition），一个分析框架，统一了多种有损轻量化推理优化技术，并分解它们对静态和动态任务的影响；借助该框架，我们揭示了若干悖论性效应：（1）在\textit{静态任务}上，优化有时会在单块时间下降的同时延长端到端单任务完成时间；（2）在\textit{动态任务}上，适度的有损轻量化优化甚至可以将任务成功率提升至基线之上；（3）这两种效应的单调性和最优位置会随硬件配置而变化。总之，我们的发现为将推理优化技术适配于具身任务提供了新视角。源代码：此 https URL。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2606.28529 [cs.RO] |
| （或 arXiv:2606.28529v3 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.28529 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yujin Wang [查看电子邮件]
[v1]
2026年6月26日星期五 18:28:52 UTC（3,034 KB）
[v2]
2026年6月30日星期二 06:26:23 UTC（3,034 KB）
[v3]
2026年10月11日星期日 03:54:43 UTC（3,192 KB）
来源：arXiv cs.AI · arxiv.org