Hugging Face发布CARE框架：加速视觉-语言-行动推理并保障任务可靠性

摘要：Hugging Face推出CARE（Certifying Acceleration for Vision-Language-Action Inference）框架，旨在解决视觉-语言-行动（VLA）模型推理加速中的可靠性问题。CARE通过配对回溯测试方法，评估加速策略对任务成功率的影响，并提供有限样本保证，确保加速引起的失败风险低于用户设定的预算。在OpenVLA-OFT和LIBERO基准测试中，CARE实现了9.0至10.8倍的速度提升，同时保证至少85.8%的参考成功案例得以保留。该框架为AI智能体在资源受限场景下的高效、安全部署提供了新的技术路径。

---

核心突破

Hugging Face推出的CARE框架旨在解决视觉-语言-行动（VLA）模型在加速推理过程中可能出现的可靠性问题。传统方法通过动作分块和视觉标记剪枝等技术加速VLA推理，但这些方法可能丢弃关键信息，导致任务失败。CARE通过以下创新解决了这一问题：

• 配对回溯测试：通过从相同初始条件出发的配对回溯测试，评估加速策略对任务成功率的影响。
• 有限样本保证：提供有限样本保证，确保加速引起的失败风险低于用户设定的预算。
• 多样化加速机制支持：CARE不依赖于特定的加速机制，可以无缝应用于各种加速策略。

技术亮点

1. 加速与可靠性平衡：CARE在实现9.0至10.8倍速度提升的同时，保证了至少85.8%的参考成功案例得以保留。
2. 资源高效性：通过仅依赖终端结果和计算测量，CARE在资源消耗和评估成本之间取得了良好平衡。
3. 广泛适用性：CARE不仅适用于OpenVLA-OFT和LIBERO等基准测试，还扩展到π_{0.5}的流程步骤减少以及Qwen3.5-9B和Llama-3.1-8B智能体在Crafter中的应用。

行业影响

CARE框架的发布为AI智能体在资源受限场景下的高效、安全部署提供了新的技术路径。在自动驾驶、机器人导航和智能交互等领域，CARE有望显著提升系统的实时性和可靠性。此外，CARE的配对回溯测试方法也为AI模型的加速策略评估提供了新的思路。

开发者建议

• 评估加速策略：开发者可以利用CARE框架评估不同加速策略对任务成功率的影响，确保在加速的同时不牺牲可靠性。
• 结合实际应用场景：根据具体应用场景的需求，调整CARE的预算参数，以实现最佳的性能与可靠性平衡。
• 探索扩展应用：CARE的配对回溯测试方法可以扩展到其他类型的AI模型和任务中，开发者可以探索其在不同领域的应用潜力。

---

消息来源：Hugging Face Daily Papers (2026-10-06)

—— 完 ——

主题标签： #Hugging Face 关注 #CARE 关注 #VLA模型 关注 #推理加速 关注 #可靠性 关注