論文の概要: WA-SpecDec: World-Aware Speculative Decoding for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2608.08725v1
• Date: Sun, 09 Aug 2026 14:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.924558
• Title: WA-SpecDec: World-Aware Speculative Decoding for Vision-Language-Action Models
• Title（参考訳）: WA-SpecDec:ビジョン・ランゲージ・アクションモデルのためのワールドアウェアな投機的デコーディング
• Abstract要約: 視覚言語アクション(VLA)ポリシーは、ロボット制御を自動回帰的に生成し、繰り返しターゲットモデルフォワードパスに支配されるクローズドループレイテンシを実現する。 最近のVLA法はトークンレベルの受け入れをさらに緩和している。 WA-SpecDecは、VLAプリフィルの段階で、世界モデル由来の物理的シーン認識を注入する、ワールドアウェアな投機的デコーディングフレームワークである。
• 参考スコア（独自算出の注目度）: 5.06780131746089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) policies generate robot controls autoregressively, making closed-loop latency dominated by repeated target-model forward passes. Speculative decoding reduces this cost by verifying blocks of draft action tokens in parallel, and recent VLA methods further relax token-level acceptance because small differences in action-token space often map to similar continuous controls. However, this relaxation remains scene-agnostic. A fixed token-distance tolerance treats the same action-token deviation as equally safe across states, although deviations that are harmless in free space can cause collisions or grasp failures near contact. We propose WA-SpecDec, a world-aware speculative decoding framework that injects world-model-derived physical scene awareness during the VLA prefill stage, producing shared world-aware prefill states for draft proposal and target verification without changing the relaxed acceptance rule. Across three state-of-the-art relaxed acceptance schemes, WA-SpecDec preserves higher task success under looser relaxation and enables longer accepted prefixes. At comparable-success operating points, WA-SpecDec achieves a 1.5x matched-success speedup over VLA speculative decoding alone and reduces near-contact failure (NCF) by 18.6% on average relative to the corresponding speculative baselines.
• Abstract（参考訳）: 視覚言語アクション(VLA)ポリシーは、ロボット制御を自動回帰的に生成し、繰り返しターゲットモデルフォワードパスに支配されるクローズドループレイテンシを実現する。 投機的復号化は、パラレルなアクショントークンのブロックを検証することによってこのコストを低減し、最近のVLA手法はトークンレベルの受け入れをさらに緩和する。 しかし、この緩和はシーンに依存しないままである。 固定されたトークン距離耐性は、自由空間で無害な偏差は衝突や接触付近の故障の把握を引き起こすが、状態間で同じ安全なアクション・トークンの偏差を扱う。 WA-SpecDecは、VLAプリフィル段階において、世界モデルに基づく物理シーン認識を注入し、緩和された受容規則を変更することなく、ドラフト提案とターゲット検証のための共有ワールドアウェアプリフィル状態を生成する、ワールドアウェアの投機的デコーディングフレームワークである。 WA-SpecDecは、3つの最先端の緩和された受け入れスキームの中で、より緩やかな緩和の下でより高いタスク成功を保ち、より長い受け入れられたプレフィックスを可能にする。 WA-SpecDecは、VLAの投機的復号化だけで1.5倍の高速化を実現し、対応する投機的ベースラインに対して平均18.6%の近似的故障(NCF)を減少させる。

関連論文リスト

• Just Noticeable Difference Modeling for Token Compression in Vision-Language-Action Models [62.522141464687195]
  本稿では,単に目立った差分(JND)の原理を具体化するためのアクションJNDを紹介する。 トークンの変化は、誘導された行動偏差が許容範囲内に留まっている場合にのみ許容できると考えられる。 結果として生じるアクション耐性スコアは、VLA圧縮パラダイムのプラグアンドプレイ基準として機能する。
  論文  参考訳（メタデータ） (2026-08-21T15:59:37Z)
• Generalizable VLA Finetuning via Representation Anchoring and Language-Action Alignment [42.503300854478795]
  Anchor-Alignはロボットのデモにおける視覚言語アクションポリシーを改善している。 凍結したVLMコピーから層幅の表現を蒸留し、このドリフトを防ぐ。 各アクションターゲットを離散的なモーション指向ラベルに変換し、共同で言語とアクション予測を訓練する。
  論文  参考訳（メタデータ） (2026-07-15T04:13:54Z)
• VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon [40.99993238069073]
  VLA-Correctorは、アクションチャンクされたビジョン・ランゲージ・アクションポリシーのための軽量な修正推論フレームワークである。 VLAのバックボーンを再訓練することなく、異なるVLAモデルに統合することができる。 これは、実行とポリシー呼び出し頻度の間の静的な地平線によって課されるトレードオフを緩和する。
  論文  参考訳（メタデータ） (2026-07-02T07:18:53Z)
• SA-VLA: State-aware tokenizer for improving Vision-Language-Action Models' performance [12.586771228417112]
  本稿では,動作復号をロボットの状態に設定した状態認識型アクショントークンであるSA-VLAを提案する。 12のRoboTwin操作タスクでは、SA-VLAは最強のトークン化剤ベースラインよりも平均成功率を0.29から0.56に改善する。
  論文  参考訳（メタデータ） (2026-06-29T10:45:53Z)
• Mistletoe: Stealthy Acceleration-Collapse Attacks on Speculative Decoding [47.771248673145614]
  投機的復号化は大規模言語モデル(LLM)推論を高速化する手法として広く採用されている。 モデルに基づく投機的復号化における新しいメカニズムレベルの脆弱性を同定する。 提案するMistletoeは、投機的復号化に対するステルス的な加速・崩壊攻撃である。
  論文  参考訳（メタデータ） (2026-05-13T18:11:42Z)
• OneVL: One-Step Latent Reasoning and Planning with Vision-Language Explanation [61.18260993245354]
  Chain-of-Thought(CoT)推論は、VLAベースの自律運転において、軌道予測の強力なドライバである。 本稿では,2つの補助デコーダによって制御されるコンパクトな潜在トークンを通じて推論をルーティングする,統一VLAおよびワールドモデルフレームワークであるOneVLを提案する。 OneVLは、明示的なCoTを超える最初の遅延CoTメソッドとなり、応答のみのレイテンシで最先端の精度を提供する。
  論文  参考訳（メタデータ） (2026-04-20T16:37:22Z)
• TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
  VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。 本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。 我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
  論文  参考訳（メタデータ） (2026-03-25T17:56:32Z)
• AttackVLA: Benchmarking Adversarial and Backdoor Attacks on Vision-Language-Action Models [60.39655329875822]
  VLA(Vision-Language-Action)モデルは、ロボットが自然言語の命令を解釈し、多様なタスクを実行することを可能にするモデルである。 このようなモデルを攻撃することへの関心は高まっているが、既存の手法の有効性は依然として不明である。 我々はVLA開発ライフサイクルに合わせて統合されたフレームワークであるAttackVLAを提案する。
  論文  参考訳（メタデータ） (2025-11-15T10:30:46Z)
• Discrete Diffusion VLA: Bringing Discrete Diffusion to Action Decoding in Vision-Language-Action Policies [62.653984010274485]
  VLA(Vision-Language-Action)モデルは、画像や命令をロボットアクションにマッピングするために、大きな視覚言語バックボーンを適応させる。 prevailingAsは、固定された左から右への順序で自動回帰的にアクションを生成するか、バックボーンの外側で分離または拡散ヘッドをアタッチする。 本稿では離散拡散を伴う離散化作用チャンクをモデル化する統一変換器ポリシである離散拡散VLAを提案する。
  論文  参考訳（メタデータ） (2025-08-27T17:39:11Z)

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。