CARE

CARE 体现了一种评估范式转变：从“平均成功率 + 延迟”的双指标转向“在失败预算约束下的加速倍数”这一更有部署意义的度量。

CARE 是一个为 VLA 模型加速配置提供带统计保证的认证框架，在用户给定失败预算下，保证至少 85.8% 的参考已解 episode 仍然成功，置信度 95%。

CARE 在给出形式化失败风险保证的前提下，实现了 9.0–10.8 倍的推理加速。

CARE 的认证过程使用 5,263 次 rollout 而非 25,000 次穷举测试，并将 H1 评估从 1,000 次 rollout 降到 113 次。

CARE 目前只在四个 LIBERO 套件和两个智能体（Qwen3.5-9B、Llama-3.1-8B）上得到验证。

CARE 的统计保证依赖一个静态校准集，且目前更适合作为部署前的配置选择工具，而非运行时的持续安全监控。

论文建议部署流水线应采用“失败触发的参考 rollout”，而不是在部署前做穷举式测试。

统计置信下界（lower confidence bound）是 CARE 认证方法的数学骨架，通过二项分布或 Clopper-Pearson 区间给出成功率的置信下界，校准集规模越小，下界越保守，可选的加速档位越少。

在 LIBERO 上验证通过的 CARE 认证，其统计保证只对与 LIBERO 同分布的 episode 有效，不能自动迁移到开放世界或更大规模模型。

对于需要在线学习或环境频繁变化的场景，CARE 目前无法提供运行时持续安全监控，需要额外的机制来补充。

CARE的认证加速器选择在保证失败风险有界的同时，为VLA部署带来最高10倍加速

CARE的全称是calibrated adaptive rectification and escalation（校准式自适应纠正与升级）

CARE的设计目标有三个：保证决策安全且与人类对齐、持续从人类反馈中学习、以更少的人工查询实现更高的自动化

CARE具备原理清晰、通用、模块化的特性，并且可以搭配任何黑盒AI模型使用

CARE的核心创新在于其自适应校准模块，无论底层纠正模块如何变化都能在每一个时间步保证风险受控

实验结果显示CARE相比各类基线方法将人工查询量减少了25%到81%

CARE的查询效率收益依赖于底层模型质量和错位结构的清晰度，更适合AI已有相当能力只需在边缘案例上与人类协同的成熟场景

当AI模型训练得较好且人机之间的错位具有清晰结构时，CARE能更有效地减少对人类的查询次数

研究团队在四个安全攸关的真实世界数据集上进行实验，覆盖驾驶、语言和机器人三大领域

论文建议未来的 VLA 基准测试应当用 CARE 认证的选择器替代朴素的延迟基线作为默认评估协议。