推論効率から具現化効率へ: 視覚-言語-行動モデルの効率指標を再検討する

概要: Vision-Language-Action (VLA) モデルは最近、視覚、言語、運動モダリティを共同で推論することにより、具現化エージェントがますます複雑なタスクを実行できるようにしている。しかし、現状のVLA研究における「効率」という支配的な概念は、パラメータ数、FLOPs、またはトークンデコードのスループットなどで特徴づけられるが、ロボットプラットフォーム上の実際の性能を反映していないことを我々は見出した。現実世界の実行では、効率はタスク完了時間、軌道の滑らかさ、累積関節回転、モーションエネルギーといったシステムレベルの体現行動によって決まる。モデル圧縮、トークンのスパース化、アクション系列圧縮にわたる制御された研究を通じて、一般的な前提に挑戦するいくつかの観察を行う。(1) 従来の指標の下で計算を減らす方法は、タスク成功率を維持していても、エンドツーエンドの実行コストを増加させたり、動作品質を低下させることが多い。(2) システムレベルの体現効率指標は、従来の評価では隠れている、学習済みのアクションポリシーの性能差を明らかにする。(3) 文脈内プロンプティングや教師ありファインチューニングといった一般的な適応手法は、体現効率に対してごくわずかで指標特有の改善しか示さない。これらの手法は、ジャークやアクション頻度といったターゲットとされる体現効率指標を減らすことができる一方で、完成時間の延長など他の指標とのトレードオフが生じる可能性がある。総じて、我々の結果は、従来の推論効率指標が体現実行の重要な側面を見落とす可能性があることを示唆する。体現効率を組み込むことは、方針の挙動と実用的な性能をより包括的に把握でき、VLAモデルの公正でより総合的な比較を可能にする。