看见免费，说话昂贵：揭示边缘VLM推理的真实能耗瓶颈
具身智能依赖VLM进行实时视觉推理，但边缘设备电池有限，单次查询能耗高达50-500焦耳。现有工作多聚焦减少视觉令牌，假设视觉处理是主要能耗。本研究在RTX 3070和Jetson Orin NX上对5个VLM进行系统能耗画像，发现平均功率恒定，解码阶段能耗占比86-97%。实验表明，视觉令牌剪枝最多节省10%能耗，而控制输出长度可节省97%。建议优化时优先控制输出长度，并注意动态视觉令牌模型在高分辨率下的预填充能耗陷阱。