表征跨 XPU 的视觉-语言-动作模型：机器人部署的约束和加速

视觉-语言-动作（VLA）模型对于通用机器人控制很有前景，但在严格的成本和能源预算下，机器人部署受到实时推理的瓶颈。大多数先前的评估都依赖于桌面级 GPU，从而掩盖了异构边缘加速器（GPU/XPU/NPU）提供的权衡和机会。我们通过模型-硬件​​共同表征对低成本 VLA 部署进行了系统分析。首先，我们构建了一个跨加速器排行榜，并在 CET（成本、能源、时间）下评估模型-硬件​​对，表明尺寸合适的边缘设备可以比旗舰 GPU 更具成本/能源效率，同时满足控制率限制。其次，通过深入分析，我们发现了一致的两阶段推理模式：计算绑定的 VLM 主干，然后是内存绑定的 Action Expert，这会导致阶段相关的利用率不足和硬件效率低下。最后，在这些见解的指导下，我们提出 DP-Cache 和 V-AEFusion 来减少扩散冗余并实现异步管道并行性，在 GPU 上实现高达 2.9 倍的加速，在边缘 NPU 上实现 6 倍的加速，而成功率仅略有下降。示例排行榜网站位于：https://vla-leaderboard-01.vercel.app/。