何が起きたか
arxiv.orgは2026-09-04、論文「GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation」を掲載した。論文は、ロボット操作向けのworld-action model「Genie Envisioner Act 2.0（GE-Act 2.0）」を提案し、生成コンポーネントと行動コンポーネントをいずれも操作データからスクラッチで初期化したと説明している。学習データを300時間から30,000時間へ拡大すると、G1-OPの成功率は17.1%から44.1%に、G2-90Dは13.4%から31.1%に上昇したとしている。
詳細
GE-Act 2.0は、control-oriented autoencoder（CoAE）、single-step visual planner（SVP）、inverse dynamics model（IDM）を組み合わせる。CoAEは強い圧縮下でも行動と指示に関連する情報を保持し、SVPは1回の微分可能な処理で完全な未来状態を出力し、視覚計画と逆動力学を補完的なデータで別々に事前学習できる構成だとしている。 その後、各要素をknowledge-aligned selective optimization（KASO）で共同学習し、予測した未来のうち記録された行動と行動的に整合すると判断されたものだけを選ぶことで、监督の不一致を減らすとしている。評価はタスク別の微調整を行わず、20の操作技能グループにまたがる100タスクで実施し、背景、照明、物体インスタンスを外した保留シーンで検証した。論文は、同じプロトコルで物体・色・形・位置の参照を少なくとも90%の試行でgroundingし、既に取ろうとしていた行動や一般的な場面連想と衝突する明示的指示にも従ったとしている。
Key Facts
| GE-Act 2.0は、Genie Envisioner Act 2.0の略称である。 | [1] |
| 生成コンポーネントと行動コンポーネントはいずれも操作データからスクラッチで初期化された。 | [1] |
| 構成要素はCoAE、SVP、IDMである。 | [1] |
| 学習データを300時間から30,000時間へ拡大すると、G1-OPは17.1%から44.1%、G2-90Dは13.4%から31.1%に上昇した。 | [1] |
| 評価は100タスク、20の操作技能グループで、保留シーンを使ってタスク別微調整なしで行われた。 | [1] |
本紙の見方
今回の論文の新規性は、既存の動画生成モデルを流用して世界状態を予測する流れから外れ、操作データを起点に生成部と行動部をともに初期化した点にある。world-action model自体は、未来状態を予測してロボット動作を導くという枠組みであり、完全に新しい概念ではない。ただしGE-Act 2.0は、CoAEで行動・指示関連情報を圧縮保持し、SVPで未来状態を一段で生成し、IDMを別建てで組み合わせる設計を前面に出しているため、単なる学習量の増加ではなく、入力表現と学習順序の設計を主題にしている点が重要である。 数値面では、300時間から30,000時間への拡大が中核で、10倍のデータ増に対してG1-OPは17.1%→44.1%、G2-90Dは13.4%→31.1%となった。G2-90Dはco-training data全体の2%未満にすぎないのに17.7ポイント改善したとされ、論文はこれをcross-embodiment transferの示唆としている。ここから読めるのは、単純な同種データの大量投入よりも、技能グループごとのカバレッジと異なる身体条件をまたぐ学習配分が、ゼロショットOOD性能に効くという構図である。Pearson r=0.80、Spearman rho=0.85という相関も、データ量そのものより技能別の被覆が性能差を説明することを補強している。 本紙としては、これはロボット基盤モデルの競争軸が、映像生成の事前学習資産の流用から、操作データをどう分解し、どう選別し、どう共同最適化するかへ移っていることを示す事例とみる。特にKASOのような選択的最適化は、記録行動と整合しない未来予測を学習から外す仕組みであり、行動ラベルの質と予測の整合性を同時に管理する発想だといえる。一方で、論文が示したのは100タスクでのタスク別微調整なし評価であり、実機展開での成功率、失敗モード、データ取得コスト、身体形状の違いをどこまで吸収できるかはまだ検証余地がある。今後は、30,000時間までの拡張でどのデータ種別が効いたのか、KASOがどの場面で選別に失敗するのか、OOD条件下の再現性がどの程度あるのかが焦点になる。
なぜ重要か
論文は、100タスク・20技能グループのゼロショット評価で、学習データ拡大と技能別カバレッジが性能に結びつくことを示した。ロボット操作モデルを作る側にとっては、単なるデータ量ではなく、身体差をまたぐ学習配分と行動整合の取り方が設計課題になることを意味する。
日本への影響
日本のロボット研究や製造現場向けの基盤モデルでは、操作データの収集量だけでなく、技能グループごとの被覆と行動ラベルの整合をどう確保するかが論点になりうる。特に、物体・色・形・位置の参照を90%以上の試行でgroundingしたという記述は、現場指示の解釈精度を重視する用途で評価軸になりうる。