加速悖论：重新思考具身任务中推理速度与质量的权衡
本文提出TISED分析框架，统一多种有损推理优化技术，并揭示其在具身任务中的悖论效应：静态任务中优化可能延长完成时间，动态任务中适度优化可提高成功率，且效果受硬件配置影响。
近年来，具身基础模型被广泛用于提升机器人泛化能力和任务成功率。为降低计算成本，研究者常采用量化、剪枝、异步推理等有损高效推理技术，以牺牲小幅动作质量为代价换取更低的单步延迟。然而，传统机器学习任务多为静态，而具身任务涉及与环境的反复交互，其任务级性能不仅取决于单步成本，还受到闭环效应的影响——机器人每次动作的结果会改变后续状态，从而形成反馈回路。当前高效推理研究对此类闭环效应刻画不足。
针对这一问题，来自Yujin Wang等七位研究者的论文《The Speedup Paradox: Rethinking Inference Speed-Quality Trade-off in Embodied Tasks》（arXiv:2606.28529，2026年6月提交，共23页）提出了一个名为TISED（Task-level Inference Speedup Effect Decomposition）的分析框架。该框架统一了多种有损推理优化技术，并将其对静态任务（如定点抓取）和动态任务（如跟踪移动物体）的影响进行分解。通过理论分析和实验验证，研究揭示了一系列悖论效应：
首先，在静态任务中，优化虽然降低了单步推理延迟，但可能导致机器人更频繁地执行次优动作，反而使端到端任务完成时间延长。其次，在动态任务中，适度的有损优化可以提升任务成功率，甚至超过未优化基线，因为更低的感知延迟使机器人能够更快适应环境变化。最后，这两种效应的单调性和最优平衡点会随着硬件配置（如边缘设备与云端）的变化而改变，意味着不存在通用的最佳优化策略。
这些发现为具身AI系统的推理优化提供了重要指导：在实际部署中，需根据任务类型和硬件条件谨慎选择优化程度，避免陷入“加速陷阱”。该工作已被提交至cs.RO、cs.AI和cs.CV领域，相关代码和数据预计将在后续发布。