EcoVLA：实时约束下面向视觉-语言-动作模型的节能端边协同推理

视觉-语言-动作（VLA）模型已成为具身智能的重要基础，但其高昂的推理成本给机器人系统部署带来重大挑战。实践中，端侧推理受限于有限的算力与能量预算，难以同时满足实时控制与能效要求；而将推理负载卸载到边缘服务器又易受系统状态波动影响，带来不可预测的延迟风险。端边协同推理是一种有前景的方案，但针对VLA模型的系统化研究仍然稀缺，尤其是能同时处理实时约束与系统级能效的统一协同推理框架。为此，我们提出EcoVLA，一个面向VLA模型的自适应端边协同推理框架，在实时约束下最大化系统能效。EcoVLA首先对不同VLA范式引入统一的阶段级抽象，建立与架构无关的协同推理设计空间；然后构建联合建模设备-边缘-网络延迟与能耗的预测模型，从而快速评估候选协同推理方案；在此基础上，EcoVLA以毫秒级开销持续选择满足实时约束的能效最优方案，适应网络与系统状态的运行时变化。此外，EcoVLA为阶段间中间张量设计了轻量传输机制，以降低跨设备协作带来的通信开销。跨VLA模型的实验表明，在20 Hz动作输出频率约束下，EcoVLA相比现有协同推理方法将系统能效提升最高236%，并在动态网络与边缘负载条件下持续保持SLO达标。