BridgeWAM、32個のLatent Bridge Queriesで視覚と言語と触覚前提を統合　実機推論は77.1ミリ秒

何が起きたか

arxiv.orgは2026年10月10日、BridgeWAM: Bridging Video and Action Experts via Latent Bridge Queriesを公開した。提案は、動画・言語・固有受容感覚の事前知識を32個のLatent Bridge Queries（LBQs）で共有された限定潜在空間に集約し、動画側と行動側の専門家を分離して扱う点にある。5.06Bモデルでは、30層のVideo Expertと2層のAction Expertを組み合わせ、LIBEROで98.25%、LIBERO-Plusで72.24%の成功率を示した。

詳細

論文は、World Action Models（WAMs）が従来、動画専門家と行動専門家を密結合のlayer-wise Mixture-of-Transformers（MoT）注意でつないでいたため、不要な視覚特徴の影響を受けやすく、専門家の深さも揃える必要があったと説明している。BridgeWAMでは、32個のLBQsを共通の制限付き潜在空間として用い、joint video-action supervisionにより動画側の表現を行動予測向けに適応させる一方、Action Expertはcross-attentionで課題関連情報のみを選択的に取得する構成を採る。

Key Facts

本紙の見方

BridgeWAMの新規性は、動画と行動を結ぶ中間表現を32個のLBQsに絞り込み、動画専門家と行動専門家の結合を密なMoT注意から外した点にある。これは単なるモデル大型化ではなく、表現を共有しつつ計算経路を細くする設計変更であり、5.06Bという規模の中でVideo Expert 30層に対しAction Expertを2層に抑えた構成が、その主張を具体化している。成功率の数値だけでなく、FLOPs 28.72%削減と実機77.1 msという遅延の両方を示しているため、評価軸は精度と応答速度の二つだと読める。 本紙の見方では、今回の焦点は「行動ヘッドの超軽量化」と「視覚表現の再利用」にある。論文は、Joint video-action supervisionで動画側の表現を行動予測向けに寄せ、Action Expertはcross-attentionで必要情報だけを拾うと説明しており、表現学習の主導権を行動側に少し戻す設計である。これは、動画を広く受ける巨大な視覚バックボーンと、末端での小さな行動ヘッドをつなぐという構造を、遅延と計算量の制約に合わせて再編したものだとみられる。 業界構造への含意としては、ロボット方策モデルで問題になりやすいのは、単なる精度ではなく、どこで計算を使うかという配分である。密な注意接続を減らし、限定潜在空間を介して必要情報だけを渡す設計は、実機実装時のレイテンシや推論コストに直結するため、研究段階のベンチマークと実機性能の差を縮める方向に働く可能性がある。一方で、LIBEROとLIBERO-Plusの結果がどの程度異なるタスク分布に耐えるのか、また32個のLBQsがどの条件で十分なのかはまだ追加確認が必要である。 次に確認すべきなのは、より多様な実機条件で同じ77.1 ms前後の遅延を維持できるか、Action Expert 2層の設計がタスク複雑度の上昇でどこまで耐えるか、そしてLBQの数や配置を変えた場合に精度と遅延がどう動くかである。論文は優れた一般化を示しているが、その適用範囲はなお評価が要る。

なぜ重要か

ロボットの行動モデルでは、精度だけでなく実機での遅延と推論コストが導入条件になる。BridgeWAMは、Fast-WAM比でFLOPsを28.72%削減し、実機遅延を77.1 msとした点で、研究指標を運用指標に近づける設計を示した。

日本への影響

日本のロボット研究や産業応用では、実機での応答速度と省計算が導入可否を左右しやすい。32個のLBQsで視覚情報を圧縮し、2層のAction Expertで行動を出す構成は、限られた計算資源で動かす実装に関心のある開発現場にとって参考になりうる。