論文の概要: How Fast Can I Run My VLA? Demystifying VLA Inference Performance with VLA-Perf
- arxiv url: http://arxiv.org/abs/2602.18397v1
- Date: Fri, 20 Feb 2026 18:02:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.604205
- Title: How Fast Can I Run My VLA? Demystifying VLA Inference Performance with VLA-Perf
- Title（参考訳）: VLAの実行速度はどれくらいか? VLA-PerfによるVLA推論性能の低下
- Authors: Wenqi Jiang, Jason Clemons, Karu Sankaralingam, Christos Kozyrakis,
- Abstract要約: Vision-Language-Action(VLA)モデルは、最近、様々な具体化されたAIタスクにまたがる印象的な能力を実証した。
実世界のロボットにVLAモデルをデプロイすることは、厳密なリアルタイム推論制約を課すが、VLAの推論性能の状況はよく分かっていない。
本稿では,VLAモデルと推論システムの任意の組み合わせに対する推論性能を解析的に解析する性能モデルであるVLA-Perfを紹介する。
- 参考スコア（独自算出の注目度）: 3.9120074262693794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-Language-Action (VLA) models have recently demonstrated impressive capabilities across various embodied AI tasks. While deploying VLA models on real-world robots imposes strict real-time inference constraints, the inference performance landscape of VLA remains poorly understood due to the large combinatorial space of model architectures and inference systems. In this paper, we ask a fundamental research question: How should we design future VLA models and systems to support real-time inference? To address this question, we first introduce VLA-Perf, an analytical performance model that can analyze inference performance for arbitrary combinations of VLA models and inference systems. Using VLA-Perf, we conduct the first systematic study of the VLA inference performance landscape. From a model-design perspective, we examine how inference performance is affected by model scaling, model architectural choices, long-context video inputs, asynchronous inference, and dual-system model pipelines. From the deployment perspective, we analyze where VLA inference should be executed -- on-device, on edge servers, or in the cloud -- and how hardware capability and network performance jointly determine end-to-end latency. By distilling 15 key takeaways from our comprehensive evaluation, we hope this work can provide practical guidance for the design of future VLA models and inference systems.
- Abstract（参考訳）: Vision-Language-Action(VLA)モデルは、最近、様々な具体化されたAIタスクにまたがる印象的な能力を実証した。
実世界のロボットにVLAモデルをデプロイすることは、厳密なリアルタイム推論制約を課すが、モデルアーキテクチャと推論システムの大規模な組合せ空間のため、VLAの推論性能のランドスケープは理解されていない。
本稿では,リアルタイム推論をサポートするために,将来的なVLAモデルやシステムをどのように設計すべきか,という基本的な研究課題を問う。
この問題に対処するために、まずVLAモデルと推論システムの任意の組み合わせに対する推論性能を解析的性能モデルであるVLA-Perfを紹介する。
VLA-Perfを用いて、VLA推論性能のランドスケープを初めて体系的に研究する。
モデル設計の観点から、モデルスケーリング、モデルアーキテクチャの選択、長いコンテキストのビデオ入力、非同期推論、デュアルシステムモデルパイプラインによる推論性能の影響について検討する。
デプロイメントの観点から、VLA推論の実行場所(デバイス上、エッジサーバ上、あるいはクラウド上)と、ハードウェア能力とネットワークパフォーマンスがエンドツーエンドのレイテンシを共同で決定する方法について分析する。
総合評価から15点を抽出することにより,今後のVLAモデルや推論システムの設計の実践的なガイダンスを得られることを願っている。
関連論文リスト
- Observing and Controlling Features in Vision-Language-Action Models [20.193036403223903]
VLA(Vision-Language-Action Models)は、インボディードインテリジェンスに対する顕著な進歩を示している。
機能可観測性と機能可制御性という,2つの主要な概念を紹介し,分析する。
この結果から,ロボットの動作を確実に制御する,目標とする軽量な介入が可能であることが示唆された。
論文 参考訳（メタデータ） (2026-03-05T18:53:50Z) - Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。
我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
論文 参考訳（メタデータ） (2025-12-02T14:42:54Z) - DriveVLA-W0: World Models Amplify Data Scaling Law in Autonomous Driving [52.63591791507895]
将来の画像の予測に世界モデリングを利用するトレーニングパラダイムである textbfDriveVLA-W0 を提案する。
このタスクは、運転環境の基礎となる力学を学ぶためにモデルを補完する密集した自己教師信号を生成する。
NAVSIM v1/v2ベンチマークと680倍の社内データセットの実験は、DriveVLA-W0がBEVとVLAのベースラインを大きく上回っていることを示している。
論文 参考訳（メタデータ） (2025-10-14T17:59:47Z) - Vlaser: Vision-Language-Action Model with Synergistic Embodied Reasoning [124.48672228625821]
Vlaser - 相乗的具体的推論機能を備えたビジョン・ランゲージ・アクション・モデルを紹介する。
Vlaserは、様々な具体的推論ベンチマークで最先端のパフォーマンスを達成する。
提案手法は,WidowXベンチマークの最先端結果と,Google Robotベンチマークの競合性能を実現する。
論文 参考訳（メタデータ） (2025-10-13T05:51:22Z) - VLA-R1: Enhancing Reasoning in Vision-Language-Action Models [35.264042764326895]
VLA(Vision-Language-Action)モデルは、知覚、言語理解、行動生成を統一することを目的としている。
現在のVLAモデルは、しばしば明示的なステップバイステップ推論を欠いている。
本稿では,検証リワードからの強化学習を統合した推論強化VLAであるVLA-R1を提案する。
論文 参考訳（メタデータ） (2025-10-02T02:54:03Z) - EdgeVLA: Efficient Vision-Language-Action Models [0.4005096060512278]
本稿では,VLA(Vision-Language-Action)モデルの推論速度を大幅に向上する新しい手法であるEdge VLAを紹介する。
1)エンドエフェクタ位置予測の自己回帰要求を排除し,推論の7倍の高速化を実現し,2)小言語モデル(SLM)の効率を向上する。
我々の初期の結果は、EVLAがOpenVLAに匹敵するトレーニング特性を達成し、推論速度とメモリ効率を大幅に向上させることを示した。
論文 参考訳（メタデータ） (2025-07-18T16:15:09Z) - Parallels Between VLA Model Post-Training and Human Motor Learning: Progress, Challenges, and Trends [11.678954304546988]
視覚言語アクション(VLA)モデル拡張視覚言語モデル(VLM)
本稿では,人間の運動学習のレンズによるVLAモデルの訓練戦略についてレビューする。
論文 参考訳（メタデータ） (2025-06-26T03:06:57Z) - SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。
計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。
本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
論文 参考訳（メタデータ） (2025-06-15T05:04:17Z) - CoT-VLA: Visual Chain-of-Thought Reasoning for Vision-Language-Action Models [89.44024245194315]
視覚言語行動モデル(VLA)に明示的な視覚連鎖(CoT)推論を組み込む手法を提案する。
視覚およびアクショントークンの理解と生成が可能な最先端の7B VLAであるCoT-VLAを紹介する。
実験の結果,CoT-VLAは実世界の操作タスクでは17%,シミュレーションベンチマークでは6%,最先端のVLAモデルでは6%,高い性能を示した。
論文 参考訳（メタデータ） (2025-03-27T22:23:04Z) - VLATest: Testing and Evaluating Vision-Language-Action Models for Robotic Manipulation [7.8735930411335895]
本稿では,VLAモデルをテストするロボット操作シーンを生成するファジィフレームワークであるVLATestを紹介する。
VLATestに基づいて,7つの代表的なVLAモデルの性能評価実験を行った。
論文 参考訳（メタデータ） (2024-09-19T16:33:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。