面向视觉-语言-动作模型的环境感知自适应剪枝与交错推理编排

尽管视觉-语言-动作（VLA）模型在具身智能领前有着巨大的潜力，但其庞大的参数规模导致推理延迟 substantial，阻碍了实时操作。为此动机是对参数稀疏化。然而，随着环境在VLA执行期间的演变，最佳稀疏模式也会随之变化。静态剪枝缺乏适应环境动态所需的灵活性，而固定间隔动态层剪枝则受限于粗粒度和高额再训练开销。为弥合这一差距，我们提出EcoVLA，一个无训练、即插即用的自适应剪枝框架，支持与现有VLA加速方法的正交组合。EcoVLA包含两个组件：环境感知自适应剪枝（EAP）和交错推理编排（$I^2O$）。EAP是一种轻量级自适应通道剪枝方法，融合了物理环境的时间一致性，以更新稀疏模式。$I^2O$利用VLA推理中内在的FLOPs泡沫，並行调度剪枝方法，确保对延迟几乎没有影响。在多样化的VLA模型和基准测试上评估后，EcoVLA达到了最新的性能，最高可实现1.60倍加速，仅降低0.4%的成功率；在与token剪枝结合时，进一步实现2.18倍加速，仅降低0.5%的性能下降。我们进一步在真实机器人上验证了EcoVLA的有效性。