具身基础模型近年来被广泛用于提升机器人的泛化能力和任务成功率。为了降低每步计算成本与动作间延迟，此前的研究通常采用量化、剪枝、异步推理等有损高效推理技术，并接受轻微的动作质量下降。然而，与传统的静态机器学习任务不同，具身任务需要与环境进行反复交互，其任务级表现不仅取决于单步成本，还受到具身执行所特有的闭环效应影响，而这一效应在现有高效推理研究中尚未得到充分刻画。针对这一问题，Yujin Wang 等七位作者在 2026 年 6 月 26 日提交的论文《The Speedup Paradox: Rethinking Inference Speed-Quality Trade-off in Embodied Tasks》中提出了 TISED（Task-level Inference Speedup Effect Decomposition，任务级推理加速效应分解）分析框架。
TISED 的核心贡献在于将各类有损推理优化技术统一到一个分析框架之下，并对其在静态任务与动态任务上的效果进行分解。该框架揭示出若干与直觉相悖的任务级表现效应。第一，在静态任务上，推理优化有时会缩短单步延迟，却反而延长端到端的单任务完成时间，这意味着单步加速并不必然转化为整体效率提升。第二，在动态任务上，适度的有损优化甚至可以将任务成功率提升至基线之上，说明一定程度的推理退化在闭环交互中可能带来正面作用。第三，上述两种效应的单调性以及最优甜点区间的位置会随硬件配置发生变化，因此并不存在普遍适用的最优优化强度。
这些发现为具身任务中推理优化技术的适配提供了新的视角。研究者指出，由于具身任务依赖与环境的持续交互，评估推理优化不能仅停留在单步延迟或动作质量等静态指标上，而应纳入闭环执行带来的任务级效应。该论文共 23 页，归类于机器人学（cs.RO），并涉及人工智能（cs.AI）与计算机视觉与模式识别（cs.CV）等方向，其预印本可通过 arXiv:2606.28529v1 获取，DOI 为 10.48550/arXiv.2606.28529。论文的提交时间为 2026 年 6 月 26 日 18:28:52 UTC。整体而言，该工作提示研究者和工程实践者在部署量化、剪枝或异步推理等加速手段时，需要结合具体任务类型与硬件条件重新审视速度与质量之间的权衡关系。