何が起きたか
2AMは2026年9月10日、長時間のロボット操作向けに、タスク記憶をマルチモーダルAgent側に集約し、単一のRGBベースAction Modelを実行専任にする設計を公表した。主ソースによれば、LIBERO-Memで平均完了率76.3%を記録し、最強既報ベースラインの14.8%を61.5ポイント上回った。さらに、63.0%の緩和成功率と11.8%の厳格成功率を示したとしている。
詳細
2AMは、Agentが相互作用履歴をサブタスクの言語と、任意の2D grasp・place・moveヒントに要約し、それを行動モデルへの指示として用いる構成である。Action Modelはエピソード記憶を持たず、深度情報、オンライン幾何、プランナーベースの物体移動を使わない前提で学習された。 学習時には、構造化されたヒントラベルを実演データに付与し、condition dropout、spatial noise、temporal jitterを加えて、Agent出力の不完全さに耐えるようにしたとしている。
Key Facts
| 2AMは、タスク記憶をAgent側に置き、RGBベースのAction Modelを実行専任にする構成である。 | [1] |
| LIBERO-Memで平均完了率76.3%を達成したとしている。 | [1] |
| 最強既報ベースラインの14.8%を61.5ポイント上回ったとしている。 | [1] |
| 63.0%の relaxed success と11.8%の strict success を示したとしている。 | [1] |
| 学習時に structured hint labels、condition dropout、spatial noise、temporal jitter を用いたとしている。 | [1] |
本紙の見方
今回の論点は、ロボットの長時間操作で「記憶をどこに置くか」を分離した点にある。2AMは、VLAやプランナー、幾何推定を厚くする従来の方向ではなく、Agentが履歴を保持し、Action ModelはRGB入力だけで動くという、役割分担を極端に絞った設計である。ここで新しいのは、性能向上を単純にモデル本体の能力拡張としてではなく、Agentがどれだけ明確に行動を指示できるかというインターフェース問題として切り出した点だとみられる。 本紙の過去報道はないが、今回の発表は、長時間操作で失われがちな文脈をモデル内部に埋め込むのではなく、外側のAgentに保持させるという整理を示す。これは、計画・知覚・制御を一体化したエンドツーエンド路線とは少し異なり、記憶、指示、実行を分けることでどこが性能差を生むのかを見極めやすくする。LIBERO-Memで76.3%まで伸びた一方、strict successが11.8%にとどまっている点は、厳密な実行条件ではなお余地があることを示している。 業界構造への含意としては、ボトルネックが「より多くのセンサー」や「より複雑な幾何推定」だけではない可能性がある。タスク履歴を言語化し、2Dヒントとして渡す仕組みが有効なら、学習データの設計、ヒント生成の精度、時間方向の揺らぎへの頑健性が競争点になるとみられる。逆に、Action Modelがエピソード記憶を持たない前提では、長い作業列での失敗要因がどこにあるのかを切り分けやすくなるが、実環境で同じ改善が出るかはまだ確かめる必要がある。 次に確認すべきなのは、LIBERO-Mem以外の長時間操作ベンチマークで同じ構成がどこまで通用するか、2Dヒントの有無で成績差がどれだけ出るか、そして厳格成功率を押し上げる追加要素が何かである。
なぜ重要か
主ソースによれば、2AMは深度やオンライン幾何を使わずにLIBERO-Memで76.3%を示したため、長時間操作の改善余地が必ずしも高価な知覚スタックに限られないことを示唆する。学習データの付け方とAgentからの指示の精度が成績に直結するなら、ロボット開発ではモデル単体だけでなく、記憶の持ち方とヒント設計が実装上の争点になる。