Embodied-R1.5、8Bパラメータで24ベンチマーク中16でSOTA達成 物理知能向け基盤モデルを公開

何が起きたか

研究チームは2026年6月9日、物理知能の実現を目指す統合基盤モデル「Embodied-R1.5」を発表した。同モデルは8Bパラメータで、24の具現化VLMベンチマーク中16でSOTAを達成し、Gemini-Robotics-ER-1.5やGPT-5.4を上回った。データ規模は15Bトークン以上で、モデル重み、データセット、トレーニングコード、評価フレームワーク「EmbodiedEvalKit」をオープンソース化している。

詳細

Embodied-R1.5は、具現化認知、タスク計画、修正、ポインティングを含む包括的な推論能力を単一アーキテクチャに統合した統合基盤モデル（EFM）である。3つの自動データ構築パイプラインを用いてデータカバレッジを拡大し、15Bトークン以上の大規模データシステムを構築した。マルチタスクバランス型RLレシピを設計し、異種タスク間の競合を緩和している。さらに、Planner-Grounder-Corrector（PGC）クローズドループフレームワークを導入し、単一モデルが長期的タスクを自律実行し自己修正できるようにした。また、少量のデータでVLAにファインチューニング可能で、4つの操作ベンチマークスイートでπ0.5などの主要VLAモデルを上回った。ゼロショット実ロボット実験で、指示追従、アフォーダンス接地、関節物体操作、長期的複雑タスクでの汎化を検証した。

Key Facts

本紙の見方

今回の発表は、物理知能（Physical Intelligence）を目指す基盤モデルの新たな到達点を示す。8Bパラメータという比較的小規模なモデルで、24ベンチマーク中16でSOTAを達成した点は、スケール一辺倒ではないアプローチの有効性を示唆する。特に、3つの自動データ構築パイプラインによる15Bトークン以上のデータ拡張と、マルチタスク平衡RLレシピによるタスク間競合の緩和が、性能向上の鍵とみられる。また、PGCクローズドループフレームワークにより、単一モデルが長期的タスクを自律実行・自己修正できる点は、実世界での汎用性を高める上で重要だ。 本稿は過去の関連記事を持たないため、連続性の分析はできないが、業界構造への含意は大きい。まず、オープンソース化により、ロボット工学やAI研究の参入障壁が下がる。特に、評価フレームワーク「EmbodiedEvalKit」の公開は、ベンチマークの標準化を促進し、研究の再現性を高める可能性がある。次に、VLAへのファインチューニングが少量データで可能な点は、実ロボットへの応用コストを低減し、産業用ロボットやサービスロボットの開発を加速させる可能性がある。さらに、Gemini-Robotics-ER-1.5やGPT-5.4などの大手モデルを上回ったことは、モデルサイズ以外の要素（データ品質や学習手法）が重要であることを示し、競争の軸を変える可能性がある。 一方、未確定の論点もある。まず、ベンチマークの詳細な評価条件や、実ロボット実験の具体的な環境・タスク設定が不明である。また、8Bパラメータでの性能が、より大規模なモデルと比較してどの程度の汎化性を持つかは、さらなる検証が必要だ。さらに、オープンソース化されたデータセットの構成や、学習データのバイアスに関する情報も限定的である。今後は、これらの詳細な評価結果や、実世界での長期的なタスク実行の成功率などが公表されるかが焦点になる。

なぜ重要か

Embodied-R1.5のオープンソース化は、物理知能研究の民主化を進め、ロボット工学とAIの融合を加速させる可能性がある。また、小規模モデルでのSOTA達成は、計算資源に制約のある研究機関や企業にとっても、高度な具現化AIを開発する道を開く。

日本への影響

日本はロボット産業が強みを持つが、AI基盤モデルの開発では海外に遅れを取っている。Embodied-R1.5のオープンソース化は、日本の研究機関や企業が独自のロボット制御AIを開発する際の基盤として活用できる可能性がある。特に、少量データでのVLAファインチューニングは、日本の製造業におけるロボット導入コストを低減する可能性があり、産業用ロボットの知能化を加速させる可能性がある。