CARE: 視覚言語行動推論の高速化を認証するフレームワーク

- Vision-Language-Action (VLA) モデルの推論を制御ステップごとに実行するのは高コスト。 - 既存の加速手法 (action chunking, visual-token pruning など) は latency と平均 task success で評価されるが、加速による情報欠落で元の policy が解けたタスクを壊す危険が平均指標に隠れる。 - 本論文は acceleration-induced failure を、同一初期条件からの paired rollouts で reference が成功し accelerated policy が失敗する事象として定義。 - これを管理する certified accelerator selection 手法 CARE を提案。 - 有限サンプル保証で failure risk をユーザ指定 budget 以下に抑えつつ、最速の certified candidate を配備し、該当なしなら reference に fallback する。

- 先行研究は latency と平均 task success で加速を評価するが、平均指標は加速による失敗を隠す。 - 本論文は paired rollouts により acceleration-induced failure を明示的に定義し、測定する点が新しい。 - CARE は calibration set 上の paired rollouts から finite-sample guarantees を提供し、failure risk をユーザ指定 budget 以下に保証。 - 保証なしの selector は tight budget 下で最大 75% の試行で budget を超過するのに対し、CARE は budget 内に収まる。 - sequential form は exhaustive evaluation より 78.9% 少ない rollouts で済む。

- CARE は calibration set 上の paired rollouts を用い、acceleration-induced failure risk がユーザ指定 budget 以下であることを finite-sample で保証。 - 最速の certified candidate を配備し、条件を満たす候補がなければ reference に fallback。 - terminal outcomes と measured compute のみに依存するため、多様な acceleration mechanisms にそのまま適用可能。 - sequential testing と failure-triggered reference rollouts により certification のコストを抑える。

- 4 つの LIBERO suites と OpenVLA-OFT で評価。 - CARE は 9.0--10.8x の speedup を certification し、95% confidence で reference-solved episodes の少なくとも 85.8% が保持されることを保証。 - tight budgets 下で、保証なしの selector は最大 75% の試行で budget を超過するが、CARE は budget 内に収まる。 - sequential form は exhaustive evaluation より 78.9% 少ない rollouts を使用。 - flow-step reduction for π_{0.5}、および Crafter における Qwen3.5-9B と Llama-3.1-8B agents にも一般化。

- 加速は情報を捨て、元の policy が解けるタスクを壊すリスクがあり、平均指標では隠れる。 - action deviations は closed-loop trajectories で複合するため、タスク失敗は full episodes でのみ観測可能。 - 本論文は paired rollouts で acceleration-induced failure を定義し、certification で管理する枠組みを提示。 - 限界や今後の課題についての詳細は要旨からは不明。

- action chunking - visual-token pruning - OpenVLA-OFT - π_{0.5} - Qwen3.5-9B - Llama-3.1-8B - LIBERO - Crafter