日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2509.11480

エッジからクラウドGPUまでのVision-Language-Actionモデルのクロスプラットフォームスケーリング

Cross-Platform Scaling of Vision-Language-Action Models from Edge to Cloud GPUs

シェア:XThreadsFacebookLINEはてブBluesky

5つの代表的なVLAモデルをエッジとデータセンターGPUで評価し、精度・遅延・スループット・メモリ使用量を測定してスケーリング傾向を明らかにした。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルを対象に、モデルアーキテクチャとハードウェアプラットフォーム間の性能スケーリング、および消費電力予算を評価した研究 - 5つの代表的な VLA モデル(最先端ベースラインと新規提案2アーキテクチャを含む)を edge GPU と datacenter GPU 上で比較 - LIBERO benchmark を用いて accuracy と latency・throughput・peak memory usage などのシステム指標を測定 - edge の電力制約下と高性能 datacenter GPU 構成の両方で評価を実施

2. 先行研究と比べてどこがすごい?

- VLA は汎用ロボット制御ポリシーとして注目されているが、アーキテクチャやハードウェア間の性能スケーリングと電力予算は十分に理解されていなかった - 本研究は edge から datacenter まで跨るクロスプラットフォーム評価を提示 - datacenter ハードウェアがロボット推論に優位という既存の仮定に疑問を投げかける - 電力制約付き edge デバイスが一部構成で旧世代 datacenter GPU に匹敵または上回ることを示す

3. 技術・手法の肝は?

- 5つの VLA モデルを edge GPU と datacenter GPU 上で実行し比較評価 - LIBERO benchmark で accuracy を測定 - latency、throughput、peak memory usage をシステムレベル指標として計測 - edge の電力制約条件と datacenter GPU 構成を変えながらスケーリング傾向を分析 - action tokenization や model backbone size などのアーキテクチャ選択の影響を評価

4. どうやって有効だと検証した?

- LIBERO benchmark を用いた accuracy 測定と、latency・throughput・peak memory usage のシステム指標計測により検証 - edge の電力制約下および datacenter GPU 構成の双方で評価を実施 - 具体的な数値結果や統計的有意性の詳細は要旨からは不明

5. 議論はある?

- アーキテクチャ選択(action tokenization、model backbone size)が throughput と memory footprint に強く影響 - 電力制約付き edge デバイスでは非線形な性能劣化が生じ、一部構成は旧世代 datacenter GPU に匹敵または超過 - 大幅な accuracy 低下なしに高 throughput な変種が実現可能 - 展開制約に応じた VLA の選択・最適化に実用的示唆を提供 - datacenter ハードウェアの優位性に関する既存仮定への反証を含む

6. 次に読むべき論文は?

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として LIBERO benchmark を用いた VLA 評価研究 - 代表的な VLA ベースライン(RT-2 や OpenVLA など同分野の定番) - edge GPU 上でのロボット推論に関する電力効率・スケーリング研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Amir Taherin, Juyi Lin, Arash Akbari, Arman Akbari, Pu Zhao, Weiwei Chen, David Kaeli, Yanzhi Wang

分類: cs.AI, cs.CV, cs.ET, cs.LG, cs.RO

原文アブストラクト

Vision-Language-Action (VLA) models have emerged as powerful generalist policies for robotic control, yet their performance scaling across model architectures and hardware platforms, as well as their associated power budgets, remain poorly understood. This work presents an evaluation of five representative VLA models -- spanning state-of-the-art baselines and two newly proposed architectures -- targeting edge and datacenter GPU platforms. Using the LIBERO benchmark, we measure accuracy alongside system-level metrics, including latency, throughput, and peak memory usage, under varying edge power constraints and high-performance datacenter GPU configurations. Our results identify distinct scaling trends: (1) architectural choices, such as action tokenization and model backbone size, strongly influence throughput and memory footprint; (2) power-constrained edge devices exhibit non-linear performance degradation, with some configurations matching or exceeding older datacenter GPUs; and (3) high-throughput variants can be achieved without significant accuracy loss. These findings provide actionable insights when selecting and optimizing VLAs across a range of deployment constraints. Our work challenges current assumptions about the superiority of datacenter hardware for robotic inference.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI