2026年BEHAVIORチャレンジ、100家事タスク対応モデルで9位

何が起きたか

arXiv掲載論文は、OmniGibsonシミュレーター上の2026年BEHAVIORチャレンジで、100の長期家事タスクに対応する単一の視覚・言語・行動（VLA）モデルを用い、最終順位9位だったと報告した。上位10チームで唯一の独立チームだったという。2025年と共通する50タスクのQは0.260から0.371に上昇し、100タスク全体のQは0.392だった。公開提出では、学習済みモデルにGPT-6 Astraを組み合わせた結果、Qは0.446、全タスク成功率は27.3%となった。

詳細

モデルは2025年の1位獲得ソリューションを基にし、π₀.₅に基づく単一チェックポイントで100タスクを扱う。学習ではデモのスキル注釈から意味的な段階を構成し、新タスクのタスク・段階埋め込みを類似する既存タスクから初期化した。遠隔操作の制御に合わせた21次元の行動空間を採用し、211Mフレームのデモを約1巡する200kステップの学習を行った。 また、分散を抑えたマルチサンプル・フローマッチングを導入し、観測ごとの行動エキスパートのサンプル数をノイズと計算量の簡易モデルで選んだ。評価基盤はエピソード診断や復元可能なシミュレーター状態を記録し、1基のGPU上で6つのシミュレーターを実時間より速く動かす。学習済み方策に加え、14タスクではGPT-6 Astraのコーディングエージェントを使い、同タスク群の平均QはAstraが0.639、学習済み方策が0.108だった。

Key Facts

本紙の見方

今回の報告で中心となるのは、100タスクを一つのチェックポイントで扱う設計と、その性能を引き上げた学習量の組み合わせである。2025年の解法を土台にしながら、共通50タスクのQを0.260から0.371へ伸ばした。著者らは前年の結果をモデルの学習不足と捉え、主な作業を長時間学習、学習パラメーターの調整、各ステップの高速化、勾配ノイズの低減に充てたとしている。したがって、報告の新しさはタスク数の拡張だけでなく、既存モデルの学習不足を解消する方向に手法を組み直した点にある。 一方、「一つの方策」という構成は、全タスクを学習済みモデルだけで処理したことを意味しない。14タスクではGPT-6 Astraのコーディングエージェントを方策に重ね、同タスク群の平均Qは0.639となった。公開提出のQ 0.446が100タスク全体の学習済み方策の0.392を上回る一方、論文要旨はAstraの結果の一部だけが公開提出に含まれたと説明する。単一モデルの汎用性と、タスク別エージェントによる補完を分けて評価する必要がある。 計算・評価の工程にも具体性がある。1基のGPU上で6つのシミュレーターを実時間より速く動かし、エピソード診断や状態復元を共有記録に残す仕組みは、学習後の評価を反復しやすくする設計と読める。また、約211Mフレームを約1巡する200kステップを費やした結果であり、Qの改善をモデル構造だけの効果とみなすことはできない。分散低減の手法では、サンプル数を選ぶノイズ対計算量モデルについてアブレーションを行わなかったと記しており、各工夫の寄与は要旨から切り分けられない。 評価範囲はOmniGibson内のシミュレーション課題である。Qの算出定義や実機での性能、環境が変わった場合の再現性はこの要旨では確認できず、27.3%という全タスク成功率も公開提出の結果として読む必要がある。次に見るべきなのは、100タスク全体での成功の偏り、Astraを使うタスクの選定基準、実機への移行時に同じ行動空間や学習データがどこまで有効かである。

なぜ重要か

一つのチェックポイントで100タスクを扱いながら、一部の14タスクには別のエージェントを重ねた構成は、汎用方策とタスク別処理の役割分担を評価する材料になる。もっとも、報告された順位とスコアはOmniGibson上のチャレンジ結果であり、家庭内の実機作業能力を示すものではない。