EmbodiedMind、18ベンチマーク平均70.02%を達成する学習手法を発表

何が起きたか

EmbodiedMindは2026-09-17、実体知能向け基盤モデルの学習手法「Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence」を公表した。論文では、拒否サンプリング、タスク別の反復的な拒否GRPO、action prefix treeに基づくTrie-GRPOの3段階で学習を組み立てるとしている。成果として、18ベンチマーク平均で70.02%を達成したとしている。

詳細

第1段階のRSFT（Rejection Sampling-based Fine-Tuning）は、低情報量のサンプルを除外しつつ、分布崩壊を避けて行動の事前分布を整える手法である。第2段階のIR-GRPO（Iterative Rejection GRPO）は、難度で階層化したタスク別キューを用いて強化学習反復ごとのデータの偏りを抑え、ハイブリッド報酬でタスク横断のフィードバック精度を高めるとしている。 第3段階のTrie-GRPOは、action prefix treeを使ってステップ単位のアドバンテージ推定を行い、長期計画でのクレジット割り当て問題を緩和する設計である。論文は、この方法が従来の探索木と比べて探索効率と深さのバランスを保ちつつ、中間の正しい判断を後続の誤りから切り離せるとしている。

Key Facts

本紙の見方

この発表の新しさは、実体知能モデルの学習を「データ選別」と「階層的な強化学習」の組み合わせで再設計した点にある。単に学習規模を拡大するのではなく、RSFTで低情報量サンプルを落とし、IR-GRPOでタスク間の勾配偏りを抑え、Trie-GRPOで長期計画のクレジット割り当てを切り分ける構造になっている。つまり、入力データの質、タスク配分、時系列の報酬分配という3つのボトルネックを別々に処理している点が主軸である。 もっとも、この論文の焦点は、実体知能でしばしば問題になる「大量データを入れても学習効率が上がりにくい」という課題に対し、学習前処理と強化学習の段階を分けて対処している点にある。特に、トークン単位ではなくaction prefix treeを使って中間の正解を分離する設計は、長い行動列の最後に失敗があった場合でも全体を同一に罰する従来型の扱いを弱める意図が読み取れる。 業界構造への含意としては、計算資源の追加投入よりも、学習データの選別ロジックと報酬設計が性能差を左右しやすいことを示す。18ベンチマーク平均70.02%という結果は、少なくともこの手法が複数課題にまたがる評価で一定の汎化を狙っていることを示すが、どのベンチマークでどの程度効いたのかは本文だけでは見えない。したがって、次に確認すべきなのは、各ベンチマーク別の内訳、学習計算量、データ除外の基準、そしてreproducibilityとして公開される範囲である。

なぜ重要か

Embodied intelligenceの学習では、データ量だけでなく、どのサンプルを残し、どの段階で報酬を与えるかが性能に直結することを、EmbodiedMindは18ベンチマーク平均70.02%という形で示した。研究開発の焦点が、単純なスケール拡大から、データ選別と長期計画の学習設計へ移っていることがうかがえる。