何が起きたか

ACE-Brain-0.7の論文が2026年11月19日に公開された。モデルは9Bの視覚言語モデルで、実行状態に基づく推論に向け、空間的な位置の把握、タスク理解、進捗推定を組み合わせる。論文によると、6つの公開タスク推論ベンチマークで平均76.5を記録し、GPT-6 Astraの72.7、Claude Opus 5.5の73.5を上回った。

詳細

学習用データは370万組の質問・回答で、人間の一人称動画、ロボットのエピソード、シミュレーションから実行に関する教師信号を集めた。質問は実行の異なる段階を扱い、タスクに関する判断を、観察された進捗や結果と結びつける。モデルはQwen3.5-9Bを基に、これらのデータと追加のタスク、空間的な位置把握、進捗推定のデータでファインチューニングした。 論文は空間的な位置把握の7ベンチマークで平均75.90、RefCOCOgでAcc@0.5の91.25を報告した。また、制御評価では、タスクのみを対象にしたモデルが視覚履歴をより有効に使い、実行状態をより正確に区別したとしている。

Key Facts

ACE-Brain-0.7は9Bの視覚言語モデルで、空間的な位置把握、タスク理解、進捗推定を組み合わせる。[1]
学習には、人間の一人称動画、ロボットのエピソード、シミュレーションに由来する370万組の質問・回答を使った。[1]
6つの公開タスク推論ベンチマークで平均76.5を報告し、GPT-6 Astraは72.7、Claude Opus 5.5は73.5だった。[1]
空間的な位置把握の7ベンチマークで平均75.90、RefCOCOgでAcc@0.5の91.25を報告した。[1]

本紙の見方

この論文の焦点は、視覚言語モデルにタスクを説明させることだけではなく、実行のどの段階にいるかを観察情報に結びつけて判断させる点にある。モデルは空間的な位置把握、タスク理解、進捗推定を組み合わせる。とくに学習質問が実行の異なる段階を扱い、タスク判断と観察された進捗・結果を関連づける設計は、単一時点の画像から物体や指示を認識する評価とは異なる論点を置いている。ただし、論文要旨は既存手法に対する構造上の新規性や、実機上の長期タスク成功を示していないため、実行状態を扱う設計と物理環境での能力実証は分けて読む必要がある。 学習データは、人間の一人称動画、ロボットのエピソード、シミュレーションという複数の由来を含む。これは、実行に関する教師信号を単一のデータ源に限定せず、異なる観察環境から集めた構成である。一方、370万組という総数だけでは、各データ源の比率、ロボットの種類、タスクの偏りや実環境とシミュレーションの差は判断できない。視覚履歴の活用や状態識別の改善を報告する制御評価も、要旨からはその条件や比較対象の詳細が分からず、どの要素が性能差に寄与したかを切り分けるには本文の評価設計が必要になる。 6つのタスク推論ベンチマークの平均76.5は、論文が比較対象として示したGPT-6 Astraの72.7、Claude Opus 5.5の73.5を上回る。ただし、これは論文記載のベンチマーク結果であり、実機ロボットの作業成功率や安全性、応答速度を示す値ではない。空間的な位置把握についても、7ベンチマーク平均75.90とRefCOCOgのAcc@0.5 91.25は評価対象が異なるため、単一の能力値としてまとめるべきではない。実用上の含意は、進捗を正しく認識することが長い作業の判断にどう結びつくかにかかるが、要旨は実機での運用結果を報告していない。 次に確認すべきなのは、各データ源の内訳と教師信号の作り方、ベンチマークの条件、視覚履歴を使う制御評価の設定である。さらに、物理ロボットでの長期タスク成功率、誤った状態判断が与える影響、推論の遅延や計算要件は、要旨には記載されていない。したがって現段階では、実行状態を中心に学習・評価するモデルのベンチマーク結果として位置づけ、現場での遂行能力にそのまま置き換えないことが重要だ。

なぜ重要か

論文は、進捗や結果に結びついた実行状態の推論を狙い、人間の一人称動画、ロボットのエピソード、シミュレーションから作った370万組の質問・回答で学習したと報告している。これは、タスク理解だけでなく実行中の状態把握を必要とする embodied agent の評価に関係するが、ベンチマーク結果だけでは実機での作業成功や安全性までは確認できない。