ABot-ER、統一型の身体性推論基盤モデルを発表　12ベンチマークで最良性能

何が起きたか

ABot-ERの論文は2026-10-13に公開され、知覚・計画・実行を単一の統一モデルで扱う身体性推論の基盤モデルを提示した。著者らは、空間・場面・時間推論、長期の行動組織化、点のグラウンディングとアフォーダンスを1モデルに収め、広さと深さの両立を狙ったとしている。さらに、Agentic Data-Model Self-Evolution EngineとTask-Conditioned Adaptive Training Strategyを組み合わせ、12ベンチマークで評価した結果、統一枠組みの中で全体最良性能を達成したとしている。

詳細

論文は、認識に相当する知覚、長期行動を組む計画、実行段階のグラウンディングを、共通のパラメータ空間で扱う設計を採用したとしている。Task-Conditioned Adaptive Training Strategyでは、タスクトークンで軽量な低ランク残差を共有バックボーン上に切り替え、異なる出力形式の更新を分離しつつ、身体性に関する共有知識を保持する設計だとしている。 評価は12のベンチマークで行われ、対象は3つの中核能力と5つの能力次元だとしている。論文は、Agentic Data-Model Self-Evolution Engineがモデルの能力状態に応じてデータ戦略を継続的に調整すると説明している。

Key Facts

本紙の見方

ABot-ERの新しさは、身体性推論を「知覚」「計画」「実行」の三層に分けず、1つの統一モデルにまとめたうえで、各層に必要な深さまで到達させようとした点にある。従来の身体性AIは、汎用性を上げるほど各サブタスクの精度が薄まる、あるいは用途ごとに別系統のモデルを積み上げる、という二択になりやすかった。今回の論文は、その緊張関係を前提に、データ側とモデル側を同時に更新する枠組みで突破しようとしている。 注目すべきは、モデル本体の工夫だけでなく、Agentic Data-Model Self-Evolution Engineを組み合わせた点である。ここでは能力状態に応じてデータ戦略を変えるため、学習は固定的な一回限りの最適化ではなく、モデルの成熟度に合わせて入力分布を調整する構造になっている。加えて、Task-Conditioned Adaptive Training Strategyは、タスクトークンで低ランク残差を切り替えながら共有バックボーンを維持するため、異なる出力形式をまたぐ更新と共通知識の保持を両立させる設計と読める。つまり、モデルの幅と深さを同時に支えるために、学習手順まで含めて組み替えた点が特徴だ。 本紙の見方としては、この研究は単なる性能改善の報告というより、身体性AIの開発単位を「個別タスクの精度」から「知覚・計画・実行を横断する運用構造」へ移している。12ベンチマークでの評価はその構造を裏づける材料だが、実運用で重要なのは、どの能力がどの条件で伸びたのか、タスクトークンと低ランク残差の切り替えがどれだけ安定して機能するのか、そしてデータ戦略の自己進化がどの程度再現可能かである。特に、論文は「全体最良性能」を示したとしているが、統一モデルが個別タスクの失敗をどこまで抑えられるかは、今後の検証が必要だとみられる。

なぜ重要か

ABot-ERが示すのは、身体性AIではモデル規模だけでなく、データをどう更新し、どのタスクでどの重みを動かすかが性能を左右するという点である。知覚・計画・実行をまたぐ統一設計は、ロボットやエージェントの開発で個別モジュールをつなぐ負担を減らす可能性がある一方、学習手順の複雑さがそのまま運用条件になる。

日本への影響

日本のロボット研究や製造現場向け実装では、知覚・計画・実行を分けて最適化してきた構成を、統一モデルとデータ更新機構に置き換えられるかが論点になる。特に、点のグラウンディングやアフォーダンスのような実世界操作の性能が公開ベンチマークでどの程度再現できるかは、産業用ロボットやサービスロボットへの適用条件を見極めるうえで重要である。