身体性基盤モデルは近年、ロボットの汎化能力とタスク成功率を向上させるために広く利用されている。従来の研究では、量子化、プルーニング、非同期推論といった損失のある効率的推論技術を適用し、動作品質のわずかな低下と引き換えに、ステップあたりの計算コストと相互作用間の遅延を削減してきた。しかし、従来の静的な機械学習タスクとは異なり、身体性タスクは環境との繰り返し相互作用を伴い、タスクレベルの性能はステップあたりのコストだけでなく、身体性実行に固有の閉ループ効果によっても決定される。現在の効率的推論研究では、このような効果は十分に特徴づけられていない。
この問題に取り組むため、Yujin Wangら7名の著者による論文「スピードアップのパラドックス：身体性タスクにおける推論速度と品質のトレードオフを再考する」（2026年6月26日提出）は、TISED（タスクレベル推論スピードアップ効果分解）分析フレームワークを提案する。このフレームワークは、多様な損失のある推論最適化技術を統合し、静的タスクと動的タスクに対する影響を分解する。論文は23ページで、ロボティクス（cs.RO）に分類され、人工知能（cs.AI）およびコンピュータビジョンとパターン認識（cs.CV）にも関連する。
TISEDフレームワークは、タスクレベルの性能に関していくつかの逆説的な効果を明らかにする。第一に、静的タスクでは、ステップあたりの遅延が減少しても、最適化がタスクあたりのエンドツーエンド完了時間を延長する場合がある。これは、単にステップあたりの遅延を低減することが必ずしもタスクの迅速な完了につながらないことを意味する。第二に、動的タスクでは、適度な損失のある最適化がタスク成功率をベースライン以上に向上させることがある。この発見は、「損失のある最適化は必ず性能を低下させる」という直感に挑戦する。第三に、これらの効果の単調性と最適点（スイートスポット）の位置は、ハードウェア構成の変化に伴って移動する。
これらの発見は、身体性タスクに推論最適化技術を適応させるための新たな視点を提供する。研究者やエンジニアは、効率的推論ソリューションを展開する際に、ステップレベルではなくタスクレベルで最適化効果を評価し、ハードウェア構成が最適化戦略に与える影響を考慮する必要がある。従来、静的モデル向けに設計された最適化手法は、身体性シナリオではまったく異なる結果を生む可能性があるため、閉ループ相互作用の特性に合わせて評価とチューニングの方法を再設計する必要がある。