VLA推論遅延を評価するVLALagBench、動く対象では100ミリ秒で成功率がほぼ半減

何が起きたか

arXiv掲載論文「VLALagBench: Understanding When and Why VLA Inference Latency Matters」は2026年11月2日、VLA（視覚・言語・行動）モデルの推論遅延がロボット操作に与える影響を測るベンチマークを発表した。論文によると、動く対象を扱うタスクでは推論遅延が100ミリ秒でも成功率がほぼ半減し、遅延への感度はタスクや方策によって大きく異なる。

詳細

VLALagBenchは、タスクの種類、対象物の速度、同期・非同期の実行方式、VLA方策ごとに遅延感度を評価する。論文は、推論処理と動作実行を重ねる非同期方式で成功率の低下を一部回復できる一方、推論リクエストの頻度が高くなるとしている。 論文は、限られた較正データからタスク成功率を予測する経験的モデルも提示した。複数のVLA方策で予測誤差（RMSE）は5.7〜7.8%で、推論システムの遅延とロボット当たりの処理能力を基に、システムに適したVLAアルゴリズム構成を選ぶ用途を示している。

Key Facts

本紙の見方

この研究の焦点は、VLAの推論遅延を単なるシステム性能の指標ではなく、物体の動きやタスクの要求精度と結び付いた操作上の変数として測った点にある。論文の報告では、100ミリ秒という遅延でも動く対象の成功率がほぼ半減し得る一方、遅延への感度はタスクと方策で異なる。したがって、単一の許容遅延を全ての操作に当てはめるより、対象の動きや操作の連続性に応じて評価する必要がある、という読み取りができる。 実行方式の比較は、遅延対策に別の負荷が伴うことも示す。推論と動作を重ねる非同期方式は成功率低下を一部回復するが、推論リクエストを増やす。つまり、制御の応答性だけを上げればよいのではなく、頻度の上昇を処理できる計算資源やロボット当たりの処理能力との組み合わせが設計上の論点になる。同期方式と非同期方式のどちらが優位かを一律に決めるのでなく、タスク別の成功率とリクエスト負荷を併せて見る必要がある。 さらに、論文は限られた較正データから成功率を予測し、RMSE 5.7〜7.8%の結果を報告した。推論システムの遅延とロボット当たりの処理能力を入力に、VLAアルゴリズム構成の選択を支援する考え方であり、モデル選定と実行システムの調整を分けずに扱う方向を示す。ただし、この誤差範囲だけでは、個々のタスクで予測がどの程度有効かは判断できない。 論文要旨からは、評価に用いた具体的なタスク、方策、ロボット、ハードウェアの内訳や、非同期化に伴うリクエスト増加の量は確認できない。今後見るべき点は、100ミリ秒の結果がどの条件に対応するか、較正データの範囲外でも予測精度が保たれるか、そしてリクエスト頻度の増加を含めた実機の処理能力と成功率がどう変わるかである。

なぜ重要か

論文の結果は、動く対象を扱うロボット操作では、推論遅延100ミリ秒が成功率に大きく影響し得ることを示す。非同期実行はその低下を一部回復する一方で推論リクエストを増やすため、ロボットの制御方式と計算処理能力を別々に評価できない課題に関係する。