何が起きたか

中国人民大学の研究チームは2026年6月29日、2.6BパラメータのエンドツーエンドVLAモデル「ZR-0」を発表した。ZR-0は、高密度のEmbodied Chain-of-Thought（ECoT）監視を用いてクロスエンボディ表現を整列させる。事前学習には約60万フレーム（約1,000時間）、40万以上の軌道からなるProcCorpus-60Mデータセットを使用し、全フレームの96.8%にECoTアノテーションを付与した。評価は単腕（LIBERO）、双腕（RoboTwin 2.0）、ヒューマノイド（RoboCasa GR-1 Tabletop）の3つのシミュレーションベンチマークと、xArmプラットフォームでの実機実験で行われ、すべての設定で強い性能を示した。

詳細

ZR-0はデュアルストリームアーキテクチャを採用する。事前学習済みVLM（System 2）がトレーニング中に構造化されたECoT推論を生成し、Diffusion Transformerベースのアクションエキスパート（System 1）がフローマッチングにより連続アクションチャンクを生成する。2つのコンポーネントはクロスアテンションで結合され、アクションエキスパートを入力プロンプト特徴のみに制限するアテンションマスクにより、推論時にECoT生成を完全にスキップしても性能低下がない。モデルとチェックポイントはGitHubで公開されている。

Key Facts

ZR-0は2.6BパラメータのエンドツーエンドVLAモデルである。[1]
事前学習データセットProcCorpus-60Mは約60万フレーム（約1,000時間）、40万以上の軌道からなり、96.8%のフレームにECoTアノテーションが付与されている。[1]
ZR-0はデュアルストリームアーキテクチャを採用し、System 2（VLM）がECoT推論を生成、System 1（Diffusion Transformer）がフローマッチングでアクションを生成する。[1]
評価はLIBERO、RoboTwin 2.0、RoboCasa GR-1 Tabletopの3つのシミュレーションベンチマークとxArmプラットフォームでの実機実験で行われた。[1]
コードとモデルチェックポイントはhttps://github.com/RUCKBReasoning/ZR-0で公開されている。[1]

本紙の見方

ZR-0の発表は、VLAモデルにおけるクロスエンボディ転移の課題に対する新しいアプローチを示す。従来、ロボットプラットフォームごとに低レベルの状態空間やアクション空間が異なるため、転移が困難だった。ZR-0は、操作の背後にある高レベルの認知プロセス（シーン認識、物体識別、タスク計画、サブタスク分解）がエンボディ間で共有されるという観察に基づき、ECoT監視を用いて表現を整列させる。このアプローチは、モデルがプラットフォーム固有の詳細に依存せずにタスクを理解することを可能にする。 本モデルの特徴は、推論時にECoT生成をスキップできる点だ。トレーニング時にはECoTを生成して表現を整列させるが、推論時にはアクションエキスパートが入力プロンプト特徴のみに基づいてアクションを生成する。これにより、推論時の計算コストを増やさずにクロスエンボディ転移の利点を得られる。この設計は、実用的な展開を考慮したものと言える。 データセットの規模も注目に値する。約60万フレーム、40万以上の軌道という大規模データセットに、96.8%のフレームにECoTアノテーションを付与している。高密度のアノテーションは、モデルが細かい推論ステップを学習するのに役立つ。ただし、アノテーションの作成コストや品質管理は課題となる可能性がある。 業界への含意として、ZR-0の手法は、異なるロボットプラットフォーム間での知識転移を促進し、VLAモデルの汎用性を高める可能性がある。これにより、特定のハードウェアに依存しないロボット制御の実現に寄与するかもしれない。一方で、シミュレーションと実機のギャップや、実世界での多様な環境への適応は依然として課題である。 未確定の論点としては、実機実験の詳細な結果（成功率など）が公開されていないこと、モデルの汎化性能がどの程度か、ECoTアノテーションの品質が性能に与える影響などが挙げられる。今後の研究でこれらの点が明らかにされることが期待される。

なぜ重要か

ZR-0は、VLAモデルのクロスエンボディ転移における新しい手法を提示し、ロボット制御の汎用性向上に寄与する可能性がある。推論時の計算コストを抑えつつ、異なるプラットフォームで動作するモデルの実現に一歩近づいたと言える。