何が起きたか
ActionCodec2の論文が2026年11月11日に公開された。自己回帰型の視覚・言語・行動（VLA）モデル向けに、動作をチャンクの終わりまで待たずに逐次出力する非ニューラルのトークナイザーを提案している。24種類のロボット形態から集めた2万時間のデータで学習した汎用版は、15Hzのエンドエフェクター動作で平均毎秒8.8トークンを記録した。
詳細
ActionCodec2は各時刻の動作を、デコーダーが再構成した状態を基準に量子化する。選ばれる動作プリミティブで残差誤差を補正し、量子化した増分の誤差が独立に累積するのを抑える設計だ。並進運動では最小のプリミティブ集合を求める厳密解を導き、回転では定数倍の精度で上下界を示したという。 Set-BPEは、座標間や隣接時刻にまたがる共起プリミティブを、座標の固定順序を設けずに損失なく統合する。論文要旨によると、同一のVLA基盤を用いた比較で三つのシミュレーションベンチマークとゼロショット実ロボット評価の成績が比較対象を上回った。また、動作チャンク中に状態フィードバックを取り込む方式は、動力学のランダム化、外乱、移動物体がある条件で、開ループ実行より性能を大きく改善したとする。
Key Facts
| ActionCodec2は、動作を逐次出力する非ニューラルのストリーミング・トークナイザーとして提案された。 | [1] |
| 汎用版は24種類のロボット形態、計2万時間のデータで学習し、15Hzのエンドエフェクター動作で平均毎秒8.8トークンを記録した。 | [1] |
| 同一のVLA基盤を用いた比較で、三つのシミュレーションベンチマークとゼロショット実ロボット評価において、比較対象のトークナイザーを上回ったと論文要旨は述べている。 | [1] |
| ActionCodec2は、チャンク内で状態フィードバックを取り込む実行により、指定された外乱条件下で開ループ実行より性能を改善したとする。 | [1] |
本紙の見方
要点は圧縮率の高さだけでなく、動作表現の出力タイミングを制御系に接続したことにある。従来の多くのVLA向けトークナイザーは、動作をチャンクにまとめ、全体を復号してから実行する。ActionCodec2は逐次出力を掲げ、実行中に得た状態を同じチャンクの後続動作へ反映できる構成を示した。したがって、論文要旨が示す開ループとの性能差は、表現形式の評価にとどまらず、状態観測と動作更新をどう結びつけるかという制御上の論点を含む。ただし、要旨は具体的な改善幅を示していない。 技術面では、復元済み状態を基準に次のプリミティブを選び、残差を補正する点が誤差管理の中核だ。さらにSet-BPEは座標順を固定せず、座標間・時刻間の共起を損失なくまとめる。並進について最小集合の厳密解、回転について定数倍精度の上下界を導いたという説明は、トークナイザーの設計を経験的な圧縮だけでなく幾何学的な集合選択として扱う方向を示す。2万時間、24形態での汎用版と毎秒8.8トークンという値は、複数の身体構成をまたぐ表現を検討した規模を示すが、これだけで別のロボット群への一般化や実時間性全般が確認されたとは言えない。 ロボット運用への含意は、動作列を一括生成して実行する構成と、実行中に観測を取り込みながら動作を続ける構成との比較にある。ランダム化された動力学、外乱、移動物体で開ループより改善したという結果は、動作チャンクの単位が長い場合に生じるフィードバック遅延を、表現・復号方式から扱う可能性を示す。一方、評価条件や実機の台数、比較したトークナイザー名、改善量は要旨に記載されておらず、結果の適用範囲は判断できない。 また、同じトークンを視覚・言語モデルのエージェントが直接操作するインターフェースとして使い、成功動作を再利用可能なマクロにまとめたという点は、制御表現とタスク再利用を接続する試みだ。要旨は、マクロが試行間の制御判断と推論トークン使用を減らし、未学習タスクへ転移したとする。ただし、どのタスクでどれほど削減したか、マクロの安全性や失敗時の扱いは分からない。次に確認すべきなのは、論文本文での実験条件・数値、異なるロボットでの再現性、外乱下の安全制約、そしてマクロを再利用する際の適用判定である。
なぜ重要か
ActionCodec2は、動作の圧縮表現を、チャンクの復号完了後に実行する方式から、実行中の状態フィードバックを取り込める逐次出力へ接続する設計を示した。論文要旨が報告する外乱条件下の開ループ実行との性能差は、VLAをロボット制御に用いる際、トークン化方式が動作生成だけでなく実行時のフィードバックにも関係することを示す。