Reflex：复用历史动作加速机器人策略推理

Ziyang Lin 等作者在 arXiv 提交预印本，提出机器人策略服务层 Reflex：把过去的策略执行结果缓存为绕过骨干网络和动作头的决策路径，在不修改底层策略的前提下，作者称推理延迟降低 1.4 至 11 倍、吞吐提升 2.0 至 2.2 倍，并保持相近的任务成功率。这些数字来自代表性负载和真实机器人实验，尚未经同行评议或独立验证。 作者称，复用中间去噪状态相比从新噪声开始用更少去噪步数并无明显优势，且加速去噪仍保留占 GPU 时间约 70% 的策略骨干。Reflex 因此采用两级缓存纠正：动作层面从历史决策学习动作感知相似度、组装兼容动作块并施加轻量残差纠正；执行层面捕捉任务进度并自适应刷新原策略，以限制累积误差。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。