何が起きたか
arXiv掲載論文「GAWM: A Compact Latent World-Action Model for Multi-Task Robot Manipulation」は2026年10月27日、パラメーター数が1億未満のロボット操作モデルGAWMを提示した。同モデルはロボットや動画による事前学習を使わず、RoboTwin 2.0では10億パラメーター規模の世界・行動モデルを上回り、LIBEROでは同規模の視覚言語行動モデルと同等の性能を示したと論文は報告している。双腕ロボットでは、未学習のデモンストレーションに対する行動予測誤差が、微調整済みの10億パラメーター規模VLAより低く、推論遅延も大幅に小さかったという。
詳細
GAWMは、凍結したDINOv3エンコーダーが出力する潜在空間で将来の観測を予測する。各カメラ視点の特徴を少数のトークンに圧縮し、タスクを条件とする軽量な予測器が、行動ではなくタスクに基づいて2つの将来時点のトークンを予測する。予測は将来フレームの密なパッチ特徴で教師あり学習され、行動デコーダーは現在と予測後のトークンから、将来の行動系列を直接回帰する。 論文は、学習データまたは学習時間が限られる条件で、潜在世界モデルが性能を大きく改善したとする。コードはGitHubで公開されている。
Key Facts
| GAWMはパラメーター数が1億未満で、ロボットや動画による事前学習を行わない。 | [1] |
| RoboTwin 2.0では10億パラメーター規模の世界・行動モデルを上回り、LIBEROでは同規模のVLAと同等の性能を示したと論文は報告した。 | [1] |
| 双腕ロボットで、未学習デモに対する行動予測誤差は微調整済みの10億パラメーター規模VLAより低く、推論遅延も大幅に小さかったと論文は報告した。 | [1] |
| 予測器はタスクを条件として2つの将来時点の潜在トークンを予測し、行動デコーダーは現在と予測後のトークンから行動系列を回帰する。 | [1] |
| 学習データまたは学習時間が限られる条件で、潜在世界モデルが性能を大きく改善したと論文は述べている。 | [1] |
本紙の見方
GAWMの位置づけは、世界モデルを大規模な視覚言語・動画生成基盤に載せるのではなく、凍結した視覚エンコーダーの潜在特徴を予測する構成に置き換えた点にある。論文は、従来の多くの世界・行動モデルが10億パラメーター規模の基盤モデルを使い、学習コストと推論遅延が課題になると説明する。GAWMは1億未満の規模で、ロボット・動画事前学習なしの条件を採るため、モデル規模と事前学習への依存を抑えた設計として評価できる。ただし、学習費用そのものの比較額は示されていない。 構造上の特徴は、将来予測を行動条件ではなくタスク条件で行うことだ。各カメラ視点を少数トークンに圧縮し、将来フレームの密なパッチ特徴を教師信号にすることで、将来シーンの空間配置を潜在表現に持たせようとしている。その予測表現を行動系列の回帰にも使うため、視覚的な将来予測と操作出力を一つのモデル内で接続する構成となる。これは、動画を直接生成する方式とは異なり、ロボットの操作に必要な表現に計算を絞る設計とみられる。 性能報告は一律の優位性を示すものではない。RoboTwin 2.0では大規模WAMを上回り、LIBEROでは大規模VLAと同等、双腕ロボットでは未学習デモの行動予測誤差と推論遅延を比較している。ベンチマークや比較対象が異なるため、これらをまとめて実環境での汎用性能とみなすことはできない。論文のアブレーションが示す、データ量・学習時間が限られる条件での改善は、小規模学習条件における潜在予測の役割を示す材料となる。 次に確認すべきなのは、推論遅延と行動予測誤差の具体的な数値、実験で用いたロボットやタスクの範囲、異なる機体・環境への転移性である。抄録は比較結果を定性的に記すにとどまり、これらの条件や数値を明らかにしていない。したがって現段階では、コンパクトな設計が特定の評価条件で有効だったことと、実機運用での広い適用可能性とを分けて捉える必要がある。
なぜ重要か
GAWMは、ロボット操作モデルの将来予測を、10億パラメーター規模の基盤モデルではなく1億未満の潜在モデルで構成し、双腕ロボットの評価で推論遅延と行動予測誤差を比較したと論文は報告している。計算資源や学習データが限られる操作モデルの開発では、潜在予測を使う設計が有効かどうかを検討する具体例となる。