何が起きたか
2026年7月9日にarxiv.orgで公開された論文『CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding』は、事前学習済みの視覚言語モデル(VLM)を、大規模なロボットデータでの再学習やアーキテクチャ変更を最小限に抑えて、視覚言語行動モデル(VLA)へ直接適応する手法を提案した。提案手法CLAPは、数値アクション列の前に自然言語のアクション記述を前置し、因果的に条件付けることで、バックボーンを変更せずにアクション予測を可能にする。2BモデルでLIBEROベンチマーク90.8%を達成し、0.8B、2B、4Bのオープンウェイトモデルを公開予定としている。
詳細
論文によると、CLAPは各数値アクション列に自然言語のアクション記述を前置し、因果的にアクション予測を条件付ける。これにより、バックボーンアーキテクチャを変更せずに、VLMの事前学習済みの言語分布から逸脱することを防ぐ。単一エポックのファインチューニングのみで、2BモデルがLIBEROで90.8%を達成し、VLA-0と比較して14.9ポイント向上した。また、LIBERO-PROにおいて、言語、物体、空間の摂動に対するロバスト性が向上したと報告している。モデルは0.8B、2B、4Bのスケールでオープンウェイトとして公開予定で、単一のVLM系統から派生したコンパクトなVLAファミリーを提供する。
Key Facts
| CLAPは、数値アクション列に自然言語のアクション記述を前置し、因果的に条件付ける手法である。 | [1] |
| 2BモデルでLIBERO 90.8%を達成し、VLA-0と比較して14.9ポイント向上した。 | [1] |
| LIBERO-PROにおいて、言語、物体、空間の摂動に対するロバスト性が向上した。 | [1] |
| 0.8B、2B、4Bのオープンウェイトモデルを公開予定である。 | [1] |
| 単一エポックのファインチューニングのみで性能を達成した。 | [1] |
本紙の見方
今回の提案は、VLMをVLAへ変換する際の根本的な課題である出力分布の不一致に着目した点で新規性がある。従来のVLAは、ロボットデータでの大規模なポストトレーニングやアーキテクチャ変更により、VLMの持つ意味論的能力が損なわれる可能性が指摘されてきた。CLAPは、アクションを数値トークン列として直接予測するのではなく、自然言語のアクション記述を前置することで、VLMの事前学習済みの言語分布に近い形でアクション生成を行う。これにより、バックボーンを変更せずにVLMの能力を維持できるとしている。 本紙の過去報道との接続は、関連記事が提供されていないため直接の言及は避けるが、ロボット学習における基盤モデルの活用は近年急速に進展しており、VLMの汎用性をロボット制御に転用する試みは継続的なテーマである。CLAPはその中でも、アーキテクチャ変更を最小限に抑えることで、VLMの能力転移を分析しやすくする点で、研究コミュニティに貢献する可能性がある。 業界構造への含意としては、オープンウェイトのマルチスケールモデルを公開することで、ロボット学習の研究開発における参入障壁を下げる可能性がある。特に、0.8Bから4Bまでのスケールを提供することで、計算資源が限られた研究機関やスタートアップでも利用しやすくなる。また、単一のVLM系統から派生したモデルファミリーを提供することで、スケール間の能力転移の分析が可能になり、VLA設計の指針が得られるかもしれない。 未確定の論点としては、公開予定とされるモデルの実際の性能や、LIBERO以外のベンチマークでの汎化性能が挙げられる。また、単一エポックのファインチューニングで達成された性能が、より複雑な実環境タスクでも維持されるかは不明である。さらに、自然言語のアクション記述の生成方法や、それがアクション予測に与える影響の詳細は論文の要旨からは読み取れず、今後の詳細な検証が待たれる。
なぜ重要か
CLAPは、VLMをVLAへ変換する際の出力分布の不一致という根本的な問題に対処する手法を提案しており、ロボット学習における基盤モデルの活用方法に新たな選択肢を提供する。オープンウェイトのマルチスケールモデル公開は、研究コミュニティの再現性と比較可能性を高め、VLA開発の加速につながる可能性がある。