何が起きたか
2026年6月8日にarXivで公開された論文で、世界行動モデル（WAM）の推論を高速化する手法「C$^3$ache」が提案された。この手法は、複数の推論チャンク間で残差をキャッシュして再利用することで、総壁時計推論時間を最大2.5倍高速化し、タスク成功率の低下は無視できる程度と報告されている。
詳細
C$^3$acheは、学習を必要としない（training-free）手法で、WAMの推論時に複数のチャンクにまたがって同じデノイジングステップの残差をキャッシュし再利用する。既存の高速化手法は単一チャンク内のデノイジング軌跡に焦点を当てていたが、チャンク間の冗長性を見落としていた。実験ではFast-WAMバックボーンを用いたベンチマークで、総壁時計推論時間が最大2.5倍の高速化を達成し、タスク成功率の低下は無視できる程度だった。
Key Facts
| C$^3$acheは学習不要の手法で、WAMの推論を高速化する。 | [1] |
| C$^3$acheは複数の推論チャンク間で残差をキャッシュし再利用する。 | [1] |
| Fast-WAMバックボーンを用いたベンチマークで、総壁時計推論時間を最大2.5倍高速化した。 | [1] |
| タスク成功率の低下は無視できる程度である。 | [1] |
なぜ重要か
WAMの推論コストは実用化の大きな障壁であり、C$^3$acheは学習不要で最大2.5倍の高速化を実現する。これにより、ロボットのリアルタイム制御やエッジ展開が現実味を帯び、ロボット学習の応用範囲が広がる可能性がある。