知识卡片：演化缓存调度用于快速扩散策略推理

英文标题：Evolving Cache Schedules for Fast Diffusion Policy Inference
英文关键词：Evolving Cache Schedules, Diffusion Policy, Inference Acceleration, Training-Free, Evolutionary Search

一句话结论

EVO 是一种无需重训练的加速框架，通过进化搜索为扩散策略的迭代去噪过程全局优化缓存刷新调度，在保持近完整性能的同时最高实现 8.05 倍动作生成加速，并将 FLOPs 从 15.77G 降至 1.96G。

事件概述或研究问题

扩散策略通过迭代去噪动作块实现强视觉运动控制，但重复去噪导致实时部署计算开销巨大。现有基于缓存的加速方法通常均匀分配计算到各 Transformer 块，忽略了不同块之间冗余程度的异质性，导致性能与效率的次优权衡。本文提出 EVO，旨在通过无训练的全局缓存调度搜索解决该问题。

方法/产品要点

• 全局调度表示：将每个候选解表示为块-时间步格子上的完整调度，指明在哪些去噪时间步和哪些 Transformer 块可以复用缓存跳过计算。
• 进化搜索：利用进化算法优化该调度，保证闭环 rollout 性能不显著下降。
• 冗余感知初始化：用有潜力的调度方案初始化种群，加速搜索收敛。
• 目标条件早停：一旦达到预设性能目标即终止搜索，提升实用性。
• 即插即用：优化后的调度可直接插入预训练扩散策略，无需重训练。

主要结果或产业意义

• 在多种操作基准测试中，EVO 保留近满性能（near-full performance）。
• 动作生成加速比最高达 8.05 倍。
• 计算量从 15.77 GFLOPs 降至 1.96 GFLOPs。
• 源码已开源（https://github.com/pillom/EVO），便于复现和部署。

为什么重要

Diffusion Policy 是机器人操作中主流的高性能视觉运动控制范式，但其推理速度瓶颈限制了实时应用。EVO 提供了一种轻量级、无训练、可即插即用的加速方案，显著降低了计算需求，且不牺牲任务表现，有助于扩散策略在边缘端或实时场景中的实际部署。

局限与不确定性

• 材料未提及该调度在何种类型的扩散策略架构（如 UNet 或 DiT）上效果最佳，也未讨论对长 Horizon 动作序列的泛化性。
• 未给出与现有缓存方法（如均匀调度、随机调度）的具体性能对比数据。
• 未说明进化搜索本身的离线计算成本，以及搜索过程是否依赖特定环境或数据集。

可用于图书/PPT/简报的角度

• 机器人操作中的实时推理加速：从重复去噪到智能缓存。
• 进化计算在深度学习推理优化中的新应用。
• 如何在不重新训练模型的前提下提升模型部署效率 —— 以 Diffusion Policy 为例。

原始材料

• 论文标题：Evolving Cache Schedules for Fast Diffusion Policy Inference
• arXiv ID：2607.20293v1
• URL：https://arxiv.org/abs/2607.20293v1
• PDF：https://arxiv.org/pdf/2607.20293v1