Fugu-MT 論文翻訳(概要): Efficient World Action Model Inference with Adaptive Intermediate States

論文の概要: Efficient World Action Model Inference with Adaptive Intermediate States

arxiv url: http://arxiv.org/abs/2609.34608v1
Date: Mon, 28 Sep 2026 08:37:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 11:59:00.302573
Title: Efficient World Action Model Inference with Adaptive Intermediate States
Title（参考訳）: 適応的中間状態を用いた効率的な世界行動モデル推論
Abstract要約: $mathrmWAMscriptstylemathrmACHINE$は、WAM推論のためのトレーニング不要のフレームワークである。制御ループが進化するにつれて、推論状態を効率的かつ正確な継続のために保存し、適応する。 $mathrmWAMscriptstylemathrmACHINE$は1.47-3.05$times$speedups in Observation-to-action latencyと2.23-3.27$times$ speedups in GPU inference time per replanを達成する。
参考スコア（独自算出の注目度）: 21.241948060806934
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: World Action Models (WAMs) enable future-aware control by jointly modeling actions and environment dynamics. However, iterative diffusion or flow inference incurs substantial denoising latency. Prior inference state offers a natural opportunity for acceleration, yet changing planning contexts, observations, and intermediate representations can quickly render retained state stale. Preserving useful computation therefore requires adapting inference state rather than reusing it as-is. To this end, we present $\mathrm{WAM}{\scriptstyle\mathrm{ACHINE}}$, a training-free framework that accelerates WAM inference by preserving and adapting inference state for efficient and accurate continuation as the control loop evolves. Across closed-loop replans, Trajectory Remapping remaps replan state from the preceding replan to initialize the next replan, reducing redundant trajectory generation. Across denoising steps, Observation Rebinding performs anticipatory inference during action execution and rebinds retained denoising state to the real observation for continuation when consistency checks pass, reducing latency exposed to the control loop. Across Transformer layers, Residual Rescaling selectively rescales retained layer state and refreshes it through full computation of the middle layers when probe checks fail, reducing repeated Transformer computation. Evaluations of three representative WAM architectures on LIBERO and RoboTwin 2.0 show that $\mathrm{WAM}{\scriptstyle\mathrm{ACHINE}}$ achieves 1.47-3.05$\times$ speedups in observation-to-action latency and 2.23-3.27$\times$ speedups in GPU inference time per replan, while preserving 96.69-99.54% of native WAM task success.
Abstract（参考訳）: World Action Models (WAM) は、アクションと環境ダイナミクスを共同でモデリングすることで、将来の認識制御を可能にする。しかし、反復拡散やフロー推論は遅延を著しく悪化させる。事前推論状態は、アクセラレーションの自然な機会を提供するが、計画コンテキスト、観察、中間表現は、保持状態の古い状態を素早くレンダリングすることができる。したがって、有用な計算を保存するには、推論状態をそのまま再利用するのではなく、適応する必要がある。この目的のために、制御ループが進化するにつれて、効率的に正確な継続のために推論状態を保持し、適応させることで、WAM推論を加速するトレーニング不要のフレームワークである$\mathrm{WAM}{\scriptstyle\mathrm{ACHINE}}を提示する。クローズドループのリプラン全体で、トラジェクトリリマッピングリマップは、前のリプランからリプラン状態を取得し、次のリプランを初期化し、冗長なトラジェクトリ生成を減らす。復調ステップ全体では、アクション実行中に予測推論を行い、一貫性チェックがパスした場合の継続のための実際の観測に復調状態を保持することで、制御ループに露出するレイテンシを低減する。 Transformer層全体で、Residual Rescalingは保持されたレイヤ状態を選択的に再スケールし、プローブチェックの失敗時に中間層の完全な計算を通じてリフレッシュする。 LIBERO と RoboTwin 2.0 上の3つの代表的な WAM アーキテクチャの評価によると、$\mathrm{WAM}{\scriptstyle\mathrm{ACHINE}}$ achieves 1.47-3.05$\times$ speedups in Observation-to-action latency and 2.23-3.27$\times$ speedups in GPU inference time per replan であり、ネイティブ WAM タスクの成功率 96.69-99.54% を維持している。

論文の概要: Efficient World Action Model Inference with Adaptive Intermediate States

関連論文リスト