何が起きたか

2026年11月6日掲載の論文で、著者らはコードを拡張の接点とする身体性マルチエージェント枠組み「A2-MEAS」を発表した。BEHAVIOR 2026の公開タスク100件でQ-score 0.6411、タスク成功率45.40%を報告し、RoboTwin 2.0ではA2-WLAが平均成功率93.98%、完全なシステムでは95.05%だった。家庭内の5つの環境における実ロボット12タスクでは、A2-WLAの平均成功率は57.92%で、論文が比較対象としたpi0.5の26.67%を上回った。

詳細

A2-MEASでは、訂正用コードに言語による修正、空間的証拠、実行履歴、行動案を組み合わせる。MetaBrainが学習時の教師信号と実行時のガイダンスを担い、補正エンコーダーとアダプターは学習中に知識を方策の重みに取り込む一方、実行時には重みを固定したまま新たなコードで行動を調整する。行動モデルA2-WLAは、視覚・言語・行動方策に動作を考慮した履歴と潜在世界モデルを加える。 長い工程を含むコーヒーのハンドドリップ準備では、履歴条件付きアダプターを使った失敗後の完了率が、フィルターを扱う2段階でそれぞれ94%、82%だった。A2-WLAの再試行では同じ段階で14%、8%だった。学習基盤の処理速度は毎秒427.1サンプルで、同一ハードウェア上のpi0.5参照実装の4.03倍と報告した。著者らはシステム、モデル、学習スクリプト、基盤を公開する意向を示している。

Key Facts

A2-MEASはコードをスケーリングの接点とする身体性マルチエージェント枠組みとして提案された。[1]
BEHAVIOR 2026の公開タスク100件で、A2-MEASはQ-score 0.6411、タスク成功率45.40%を報告した。[1]
RoboTwin 2.0でA2-WLAの平均成功率は93.98%、完全なシステムでは95.05%だった。[1]
5つの家庭環境における実ロボット12タスクで、A2-WLAは平均成功率57.92%を報告した。[1]
学習基盤の処理速度は毎秒427.1サンプルで、同一ハードウェア上のpi0.5参照実装の4.03倍と報告された。[1]

本紙の見方

この研究の特徴は、失敗修正を単に行動方策の再学習に委ねず、修正内容をコードとして表現し、学習時と実行時で異なる形で利用する設計にある。学習中は補正エンコーダーとアダプターを通じて知識を方策の重みに取り込み、実行時には重みを固定したまま新しいコードで振る舞いを調整する。したがって、性能値だけでなく、修正情報をどの段階で方策に反映するかが、A2-MEASの技術的な論点となる。 報告された結果は、評価環境ごとに分けて読む必要がある。BEHAVIOR 2026ではA2-MEASのQ-scoreと成功率、RoboTwin 2.0ではA2-WLAと完全なシステムの成功率、実機ではA2-WLAとpi0.5の成功率が示されており、同じ条件の単一指標による比較ではない。論文はBEHAVIOR 2026の50タスクで、オンライン修正前のA2-MEASのQ-scoreが0.5755だったとも報告するが、2025年の勝者の報告値0.2605との比較には、異なるベンチマーク版と学習構成であるとの但し書きが付く。倍率だけを切り出して優位性を結論づけることはできない。 より具体的な含意は、長工程での失敗回復を独立して測ろうとしている点にある。コーヒー準備のフィルター操作2段階で、履歴条件付きアダプター使用時の完了率がA2-WLAの再試行より高かったという結果は、実行履歴を補正に利用する設計の有効性を示す候補となる。ただし、示されたのは特定の作業・段階の数値であり、別の作業や環境でも同様の差が出るかはこの要旨から判断できない。 処理速度の比較も、学習を支える基盤の実装効率を示す一方、毎秒サンプル数だけでは学習全体の所要時間や計算資源の総量、最終方策の性能との関係までは分からない。今後確認すべきなのは、コードの生成・選択が失敗状況を越えてどこまで再利用できるか、実機評価の対象作業や環境を広げた場合の再現性、そして公開予定のモデルやスクリプトで報告値を再現できるかである。特にベンチマーク版や学習条件をそろえた比較がなければ、各数値から一般的な優位性を読み取る範囲には限界がある。

なぜ重要か

著者らの報告では、失敗後の完了率はコーヒー準備のフィルター操作2段階で、A2-WLAの再試行時の14%、8%から、履歴条件付きアダプター使用時に94%、82%へ上がった。特定作業での結果ではあるが、行動履歴を使った補正を組み込む設計が、失敗からの復帰を評価する際の具体的な比較対象となる。