GPT-6-Astra、EBenchでロボット操作を評価　直接制御とポリシー併用を比較

何が起きたか

2026年10月26日掲載の報告は、GPT-6-Astraをロボット制御エージェントの中核としてEBenchで評価した。後学習済みの視覚言語行動（VLA）ポリシーや世界行動モデル（WAM）ポリシーと、同じ視覚・固有受容観測の条件で比較している。直接制御では短いタスクで優位性を示した一方、ポリシーを呼び出す構成では全体のタスク成功率が比較対象の最強ポリシーと同水準になり、トークンコストも大幅に低下した。

詳細

報告は、エージェントがウェイポイント指令を直接生成する「direct control」と、後学習済みのVLAまたはWAMポリシーに動作実行を委ねられる「harness with policy」の2構成を検討した。直接制御は汎化の各次元で性能変動が最も小さかったが、長いタスク、卓上操作、高精度で接触を伴うタスクでは後学習済みポリシーを下回った。 ポリシー併用構成では、両者の強みを組み合わせ、全体のタスク成功率を比較対象の最強ポリシーと同水準にした。ただし、ポリシーを呼び出すタイミングの不適切さ、サブゴールなしの固定指示による実行、エージェントが制御を再開する際の把持の乱れにより、各構成単体のタスク別上限には届かなかった。

Key Facts

本紙の見方

この評価の焦点は、基盤モデルがロボットを単独で動かせるかという二択ではなく、直接制御と後学習済みポリシーへの委譲をどう分担させるかにある。GPT-6-Astraの直接制御は短いタスクで競争力を示し、汎化の各次元で性能変動も小さかった一方、長いタスクや高精度の接触操作ではポリシーに劣った。単体のモデル能力を一つの順位にまとめるより、タスクの時間幅や接触精度に応じて制御主体を切り替える設計が評価対象になることを示す報告だ。 ポリシー併用構成では全体成功率が比較対象の最強ポリシーと同水準になり、トークンコストも下がった。ただし、これは単純にモデルを追加すれば性能が伸びるという結果ではない。報告は、呼び出しタイミングの不適切さ、サブゴールを含まない固定指示、制御再開時の把持の乱れを、各要素単体のタスク別上限に届かない要因として挙げている。つまり、エージェントがどの時点で専門ポリシーへ渡し、どの状態で制御を取り戻すかという接続部分が、成功率とトークン消費の双方に関わる。 構造面では、直接制御を担うMLLMと、特定の動作を実行する後学習済みVLA／WAMを、観測条件をそろえて比較した点が重要だ。報告の構成では、観測を受けるエージェントが必要に応じて行動ポリシーを呼び出すため、評価対象はロボット本体の動作だけでなく、指示の分割や制御権の移行にも及ぶ。一方、同じ観測プロトコルであることだけから、異なるロボットや実運用環境でも同じ結果になるとはいえない。 次に見るべきなのは、タスクごとの成功率やトークンコストの具体値、ポリシー呼び出しの判断方法、サブゴールを与えた場合の変化、制御再開時の把持の安定性だ。抄録にはそれらの数値や詳細な実験条件は示されていないため、今回の結果だけで運用上の費用対効果や、どの工程まで自律化できるかを判断することはできない。とくに全体成功率が最強の比較対象と同水準でも、タスク別の上限に届かなかったという差を、平均値だけで覆い隠さず確認する必要がある。

なぜ重要か

報告では、直接制御が短いタスクで強みを示す一方、長いタスクや高精度の接触操作では後学習済みポリシーを下回った。ロボット制御システムの設計では、エージェント単体の能力だけでなく、専門ポリシーへの委譲と制御再開の方法が、成功率やトークンコストに関わることを示している。