??

第43屆國(guó)際機(jī)器學(xué)習(xí)大會(huì)（ICML 2026）論文錄用名單正式公布，開(kāi)源鴻蒙具身智能PMC（籌）相關(guān)研究論文成功被大會(huì)接收。ICML是機(jī)器學(xué)習(xí)領(lǐng)域頂會(huì)，與NeurIPS、ICLR并稱為領(lǐng)域三大會(huì)，本次入選成果是開(kāi)源鴻蒙具身智能PMC（籌）在具身智能操作系統(tǒng)技術(shù)建設(shè)上邁出關(guān)鍵一步，為后續(xù)推進(jìn)具身智能端側(cè)推理優(yōu)化與機(jī)器人產(chǎn)業(yè)化落地提供關(guān)鍵技術(shù)。

視覺(jué)-語(yǔ)言-動(dòng)作模型（Vision-Language-Action Models, VLA）正在成為通用機(jī)器人感知、推理與控制的重要技術(shù)路線。與云端或桌面環(huán)境不同，真實(shí)機(jī)器人端側(cè)部署需要在有限算力、功耗預(yù)算和硬件成本約束下，持續(xù)滿足實(shí)時(shí)控制頻率與任務(wù)成功率要求。如何系統(tǒng)評(píng)估不同VLA模型在GPU、NPU等異構(gòu)XPU硬件上的實(shí)際表現(xiàn)，并進(jìn)一步降低推理延遲、能耗和部署成本，是具身智能規(guī)?；涞乇仨毥鉀Q的關(guān)鍵問(wèn)題。

針對(duì)上述問(wèn)題，本論文提出面向機(jī)器人部署的VLA模型-XPU硬件協(xié)同分析與加速框架。工作首先構(gòu)建跨硬件VLA-Leaderboard評(píng)測(cè)榜單，圍繞成本、能耗和延遲三個(gè)維度，對(duì)不同VLA模型與硬件平臺(tái)組合進(jìn)行系統(tǒng)化實(shí)測(cè)與對(duì)比。評(píng)測(cè)結(jié)果表明，合適規(guī)模的邊緣設(shè)備在滿足機(jī)器人控制頻率要求的同時(shí)，能夠在成本/能耗效率上取得優(yōu)于桌面級(jí)旗艦GPU的綜合表現(xiàn)，為機(jī)器人端側(cè)硬件選型提供了可量化依據(jù)。

在性能分析方面，本工作通過(guò)細(xì)粒度Profiling分析，揭示主流VLA模型推理過(guò)程普遍呈現(xiàn)“兩階段”負(fù)載特征：前半部分VLM主干網(wǎng)絡(luò)以計(jì)算密集型算子為主，后半部分Action Expert模塊則更容易受到內(nèi)存帶寬限制。這種階段性差異導(dǎo)致硬件資源利用不均衡，也為系統(tǒng)級(jí)優(yōu)化提供了切入點(diǎn)?；谠撚^察，本論文提出兩項(xiàng)訓(xùn)練無(wú)關(guān)的優(yōu)化方法：DP-Cache利用擴(kuò)散去噪過(guò)程中的冗余性，緩存穩(wěn)定階段的中間結(jié)果以減少重復(fù)計(jì)算；V-AEFusion利用機(jī)器人連續(xù)控制中相鄰觀測(cè)的時(shí)間相關(guān)性，將當(dāng)前幀VLM計(jì)算與上一幀Action Expert早期去噪步驟進(jìn)行異步流水重疊，從而隱藏關(guān)鍵路徑上的VLM延遲。

實(shí)驗(yàn)結(jié)果顯示，該方法在華為端側(cè)昇騰NPU設(shè)備上最高實(shí)現(xiàn)6倍加速。昇騰相關(guān)具身智能樣例已開(kāi)源至CANN社區(qū)（https://gitcode.com/cann/cann-recipes-embodied-intelligence），歡迎廣大開(kāi)發(fā)者體驗(yàn)和使用。

本論文成果為具身智能VLA模型在低成本、低能耗機(jī)器人平臺(tái)上的端側(cè)部署提供了系統(tǒng)化評(píng)測(cè)標(biāo)準(zhǔn)與高效加速路徑。后續(xù)，開(kāi)源鴻蒙具身智能PMC（籌）將繼續(xù)圍繞具身智能核心技術(shù)攻關(guān)與開(kāi)源生態(tài)建設(shè)，推動(dòng)VLA模型、異構(gòu)硬件和機(jī)器人應(yīng)用場(chǎng)景的協(xié)同演進(jìn)，攜手開(kāi)發(fā)者與合作伙伴共建開(kāi)源鴻蒙具身智能機(jī)器人生態(tài)。

論文信息:

Kaijun Zhou, Qiwei Chen, Da Peng, Zhiyang Li, Xijun Li, Jinyu Gu. Characterizing Vision-Language-Action Models across XPUs: Constraints and Acceleration for On-Robot Deployment. International Conference on Machine Learning, 2026.

供稿：古金宇

責(zé)編：張婕逾

編審：謝青霖

審核：劉果

審核編輯 黃宇