何が起きたか

arxiv.orgは2026-10-09、Axiom-0: Hierarchical Self-Refinement for Vision-Language-Action Policiesを公開した。論文は、視覚・言語・行動を統合するVLA政策に対し、階層的自己改善を用いて未知のタスク構成への汎化を高める方法を示したものである。評価ではRoboCasa365で総合成功率62.32%を記録し、公開済み最高スコアの58.1%を上回った。

詳細

論文は、学習段階で中間特徴を整えるIntra-VLM Representation Refinement（IVRR）と、行動生成前の条件付けを反復更新するVLM-Action Interface Refinement（VAIR）を組み合わせた。さらに、教師ありのVLM層、VAIR、行動生成器を共同最適化する構成を採っている。 評価指標としては、RoboCasa365で62.32%の総合成功率、Paimon-0比で4.22ポイント高い結果、Xiaomi-Robotics-1参照値比で4.92ポイント高い結果が示された。論文はまた、評価時のプロファイリング条件で平均action-chunk生成レイテンシーがXiaomi-Robotics-1比で1.7%増だったとしている。

Key Facts

Axiom-0は、hierarchical self-refinementを用いるVision-Language-Action policyとして提示された。[1]
RoboCasa365でのoverall successは62.32%だった。[1]
公開済み最高スコアのPaimon-0は58.1%で、Axiom-0は4.22 percentage points上回った。[1]
Xiaomi-Robotics-1 referenceに対しては4.92 points上回った。[1]
mean action-chunk generation latencyは、評価したprofiling setupでXiaomi-Robotics-1比1.7%増だった。[1]

本紙の見方

Axiom-0の新しさは、VLA政策の性能を単に上げるのではなく、表現の更新と行動生成前の条件付け更新を別段階で回す点にある。IVRRは学習時の中間特徴を整え、VAIRは推論時の入力条件を再帰的に更新するため、表現の質と行動への接続を分けて扱っている。これは、未知のタスク構成で失敗しやすいVLAの弱点に対する構造的な対処であり、単一モデルのスケーリングとは異なる設計だとみられる。 本紙の見方では、ここで重要なのは「成功率62.32%」という絶対値より、RoboCasa365での比較対象がPaimon-0とXiaomi-Robotics-1に置かれている点である。最高スコアを4.22ポイント上回りつつ、レイテンシー増加が1.7%に抑えられているため、性能と計算負荷のトレードオフをどこまで制御できるかが焦点になる。逆に言えば、この方式は単純な低遅延化ではなく、行動生成直前の反復更新を許容する代わりに精度を取りにいく設計である。 業界構造への含意としては、VLAの競争軸がモデル規模だけでなく、表現層の整形と制御インターフェースの設計に移っている点が挙げられる。ロボット操作では、タスクごとにレイアウトや対象物の相互作用が変わるため、学習済み表現をそのまま出力に結びつけるだけでは足りない。Axiom-0は、その間にIVRRとVAIRという二つの調整層を挟むことで、入力→表現→行動の連結を細かく制御している。もっとも、論文の記述からは、実機での汎用性、action-chunkの定義、どの程度の追加計算でこの改善が得られたのかはまだ詰める必要がある。 次に確認すべき論点は、RoboCasa365以外の環境で同じ差が出るか、IVRRとVAIRのどちらが寄与の中心か、そして1.7%のレイテンシー増が実機導入時に許容される水準かどうかである。評価が1セットのプロファイリング条件に依存しているため、運用条件を変えたときの再現性が実用化の分岐点になるとみられる。

なぜ重要か

論文が示したのは、VLA政策の改善余地が行動生成器そのものだけでなく、手前の表現整形と条件付け更新にもあるという点である。RoboCasa365で62.32%、Paimon-0比4.22ポイント改善、ただしレイテンシーは1.7%増という組み合わせは、精度向上を目指す際のコストを具体的に示している。

日本への影響

日本のロボット研究・製造では、実機導入時に追加計算をどこまで許容するかが論点になる。Axiom-0のように行動前の再帰的更新を許す設計は、制御基盤やエッジ推論の設計と相性が問われるため、低遅延な実装や検証環境を持つ領域に示唆がある。