論文の概要: JoyNexus: Service-Oriented Multi-Tenant Post-Training for VLA Models

• arxiv url: http://arxiv.org/abs/2607.16074v1
• Date: Fri, 17 Jul 2026 15:58:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.89455
• Title: JoyNexus: Service-Oriented Multi-Tenant Post-Training for VLA Models
• Title（参考訳）: JoyNexus: VLAモデルのサービス指向マルチテナントポストトレーニング
• Abstract要約: 本稿では,マルチテナントVLAのための統合サービスであるJoyNexusについて紹介する。 JoyNexusはトレーニングモデルサービス、インモデルサービス、環境サービスを分離し、それぞれAPIを通じてアクセスされ、テナント固有のスロットを持つ常駐の共有ベースモデルによってバックアップされる。 テナントは、トレーニング、ロールアウト、評価のための高レベルのセマンティックAPIを直接呼び出したり、低レベルのAPIと割り当てられたエンドポイントを使用してカスタムアルゴリズムを構成することができる。
• 参考スコア（独自算出の注目度）: 42.216860515629904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The post-training of Vision-Language-Action (VLA) models is essential due to the diversity of simulators, robot embodiments, and task objectives. Existing compute services, whether offered as direct accelerator rental or batch-workload submission, typically allocate an exclusive set of GPU and CPU resources to a single tenant. While this paradigm maximizes client flexibility, it burdens users with infrastructure adaptation, and the fixed card-hour accounting model renders short or bursty workloads both expensive for tenants and inefficient for the service provider. To address these challenges, we present JoyNexus, a unified service for multi-tenant VLA supervised fine-tuning, reinforcement learning, and evaluation. JoyNexus decouples the Training Model Service, Inference Model Service, and Environment Service, each accessed through APIs and backed by resident shared base models with tenant-specific slots. Tenants can directly invoke high-level semantic APIs for training, rollout, and evaluation, or compose custom algorithms using lower-level APIs and their assigned endpoints. Multiple tenants submit workloads concurrently; their action modules, optimizers, rollout records, and policy versions remain isolated, and the service is scheduled by the global Training Queue and Inference Queue. To further improve multi-tenant training efficiency, JoyNexus introduces group batching for heterogeneous VLA data schemas that share a compatible model-facing prefix, enabling a single shared backbone forward pass over grouped samples. Finally, we evaluate JoyNexus through workload simulation and a group-batching pipeline in a realistic embodied scenario. Results show that, compared with isolated single-tenant execution, JoyNexus reduces aggregate GPU time and improves service utilization via cross-tenant scheduling on shared resources.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルのポストトレーニングは、シミュレータ、ロボットの実施形態、タスク目標の多様性のために必要不可欠である。 一般的な計算サービスは、直接アクセラレータレンタルまたはバッチワークロードとして提供されるが、通常、GPUとCPUリソースの排他的セットを単一のテナントに割り当てる。 このパラダイムは、クライアントの柔軟性を最大化しますが、インフラストラクチャの適応によってユーザを負担します。 これらの課題に対処するため、マルチテナントVLAのための統合サービスであるJoyNexusを紹介し、微調整、強化学習、評価を行う。 JoyNexusはトレーニングモデルサービス、推論モデルサービス、環境サービスを分離し、それぞれAPIを通じてアクセスされ、テナント固有のスロットを持つ常駐の共有ベースモデルによってバックアップされる。 テナントは、トレーニング、ロールアウト、評価のための高レベルのセマンティックAPIを直接呼び出したり、低レベルのAPIと割り当てられたエンドポイントを使用してカスタムアルゴリズムを構成することができる。 アクションモジュール、オプティマイザ、ロールアウトレコード、ポリシーバージョンは分離され、サービスはグローバルなトレーニングキューと推論キューによってスケジュールされる。 マルチテナントトレーニングの効率をさらに向上するため、JoyNexusは、互換性のあるモデル対応プレフィックスを共有する不均一なVLAデータスキーマのためのグループバッチを導入し、グループ化されたサンプルを単一の共有バックボーンフォワードで転送することを可能にする。 最後に,作業負荷シミュレーションとグループバッチパイプラインを用いて,現実的な実施シナリオでJoyNexusを評価する。 JoyNexusは、孤立した単一テナント実行と比較して、合計GPU時間を短縮し、共有リソースのクロステナントスケジューリングによるサービス利用を改善する。

関連論文リスト

• OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking [11.905656321952394]
  マルチストリームファイナルランキングのための統合フレームワークである textbfOneModel を提案する。 OneModelは異種な振る舞いを共有イベントシーケンスにマッピングし、アクション指向のバックボーンで長いコンテキストのユーザ表現を学習する。 私たちはemphXiaohongshuで本番環境にOneModelをデプロイし、強力なベースラインに対して一貫したオフラインゲインを提供します。
  論文  参考訳（メタデータ） (2026-08-19T06:50:47Z)
• FedUMM: A General Framework for Federated Learning with Unified Multimodal Models [11.0627306160262]
  統一マルチモーダルモデル(UMM)は、単一のアーキテクチャにおけるタスクの生成と理解の両方が可能な強力な基盤モデルとして出現している。 We present FedUMM, a general federated learning framework for UMMs under non-IID multimodal data with low communication cost。
  論文  参考訳（メタデータ） (2026-01-21T19:02:52Z)
• CycleSL: Server-Client Cyclical Update Driven Scalable Split Learning [60.59553507555341]
  本稿では,新たなアグリゲーションフリーな分割学習フレームワークであるCycleSLを紹介する。 ブロック座標降下の交互化によって着想を得たCycleSLは、サーバサイドトレーニングを独立した高レベルの機械学習タスクとして扱う。 実験結果から,CycleSLのモデル性能向上効果が示唆された。
  論文  参考訳（メタデータ） (2025-11-23T21:00:21Z)
• Reinforcement Learning for Long-Horizon Interactive LLM Agents [56.9860859585028]
  インタラクティブデジタルエージェント(IDA)は、ステートフルなデジタル環境のAPIを利用して、ユーザの要求に応じてタスクを実行する。 対象環境で直接IDAを訓練する強化学習(RL)手法を提案する。 我々は、近似ポリシー最適化のデータおよびメモリ効率の亜種である LOOP を導出する。
  論文  参考訳（メタデータ） (2025-02-03T18:35:42Z)
• Vertical Federated Learning with Missing Features During Training and Inference [37.44022318612869]
  本稿では,ニューラルネットワークに基づくモデルの学習と推論を効率的に行うための垂直連合学習手法を提案する。 本手法は, 欠落した特徴がなくても, 最適近傍に線形収束することを示す。
  論文  参考訳（メタデータ） (2024-10-29T22:09:31Z)
• Subspace based Federated Unlearning [75.90552823500633]
  フェデレート・アンラーニング(FL)は、ユーザが忘れられる権利を満たすために、特定のターゲットクライアントのFLへの貢献を取り除くことを目的としている。 既存のフェデレートされた未学習アルゴリズムでは、パラメータの更新履歴をサーバに格納する必要がある。 そこで我々は,SFUと呼ばれる,単純なyet効率のサブスペースに基づくフェデレーションアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T04:29:44Z)
• Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。 本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-20T10:49:22Z)
• Distributed Non-Convex Optimization with Sublinear Speedup under Intermittent Client Availability [46.85205907718874]
  フェデレーション学習は新しい機械学習フレームワークで、多くのクライアントがトレーニングデータを共有することなく、協力的にモデルをトレーニングする。 本研究では,間欠的なモバイル環境におけるフェデレーション学習の実践と課題について考察する。 我々はFedLaAvg(略してFedLaAvg)と呼ばれる単純な分散非線形最適化アルゴリズムを提案する。 我々の理論的解析は、FedLaAvgが$(E1/2/(NT1/2)$の収束率に達し、クライアントの総数に対してサブ線形速度を達成することを示している。
  論文  参考訳（メタデータ） (2020-02-18T06:32:18Z)

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。