C$^3$ache: クロス推論チャンクキャッシュによるワールドアクションモデルの高速化

- World Action Models (WAMs) の推論を高速化する training-free 手法 C$^3$ache を提案。 - WAM は video-modeling objective により VLA より汎化するが、複数の inference chunk ごとに高コストな denoising が必要。 - 既存の加速法は単一 chunk 内の denoising trajectory の計算再利用に限定。 - 本研究は chunk 間の冗長性に着目し、同じ denoising step の residual をキャッシュ・再利用する。

- 既存の加速法は 1 chunk 内の denoising trajectory における計算のキャッシュ・再利用でコスト削減。 - それらが見落としていた chunk 間冗長性を実証的に明らかにした点が新しい。 - ロボットが滑らかな behavior を実行するとき、ある denoising step の residual が chunk 間で強く相関することを示す。 - この冗長性を利用し、training-free で追加学習なしに高速化を実現。

- C$^3$ache は training-free な手法。 - 同じ denoising step における residual を inference chunk 間でキャッシュし再利用する。 - これにより各 chunk の denoising 計算を削減。 - Fast-WAM backbone を対象に実装・評価。

- Fast-WAM backbone を用いたベンチマークで実験。 - 総 wall-clock inference time で最大 2.5× の speedup を達成。 - task success rate の劣化は無視できる程度であることを確認。

- 要旨からは不明。 - 想定される議論点としては、chunk 間 residual 相関が成立する条件（滑らかな behavior など）や、他の backbone への汎用性、メモリオーバーヘッドなどが考えられるが、要旨には明記されていない。

- 要旨で参照・比較されている研究は明示されていない。 - 関連手法として、単一 chunk 内の denoising trajectory をキャッシュする既存の acceleration methods が挙げられる。 - 同分野の定番として Vision-Language-Action (VLA) policies や World Action Models (WAMs) に関する論文が次に読むべき候補。