GPT-6ロボット操作エージェントを検証、RoboDojoのスコアは50.3

何が起きたか

arXiv掲載論文「JustRUA: A Controlled Study of GPT-6 Robot-Use Agents」は2026年11月11日、GPT-6のロボット操作エージェントを共通の枠組みで評価した結果を報告した。RoboDojoシミュレーションベンチマークで、学習済みポリシーや自己改善ループ、タスク別の調整を使わない簡素なハーネスにより、スコアは29.7から50.3になった。

詳細

JustRUAは公式のL3ハーネスを出発点に、エピソードの全履歴を保持し、各動作を早めに止める構成を採用した。論文は、ハーネス、動作インターフェース、経験の再利用、モデルに与えるシーン形状を同じ枠組みで検証した。 シーン形状の情報は最も効果が大きく、RGB画像だけから深度を予測した場合にも有効だったという。一方、経験の再利用はモデルの行動を変えるものの、常に性能向上につながるわけではないとしている。

Key Facts

本紙の見方

今回の論文の焦点は、GPT-6の能力を単独で測ることより、モデルをロボット操作につなぐ周辺設計を分解して評価した点にある。報告されたスコアは29.7から50.3へ上がったが、その条件は学習済みポリシー、自己改善ループ、タスク別調整を加えない簡素なハーネスである。したがって、少なくともこのRoboDojo評価では、モデル自体を追加学習させなくても、履歴の持たせ方や動作の止め方を含む実行環境が結果に関わることを示す。ただし、この数値だけで実機の操作性能や別のタスクへの一般化まで判断することはできない。 従来のロボット操作エージェントのスコア比較では、ハーネスや評価対象のサブセットが異なり、複数の設計を同時に変更した例もあると論文は指摘する。そうした条件では、結果の差をモデル、入力情報、行動出力のどれに帰属させるかが難しい。JustRUAが一つの枠組みでハーネス、動作インターフェース、経験の再利用、シーン形状を扱ったことは、数値の大小だけでなく、個々の設計要素を切り分ける比較手順に意味がある。ただし、要約に記載された結果からは、各要素の相互作用や全タスクでの効果までは分からない。 構造面では、全履歴の保持と動作の早期停止というハーネス設計、経験の再利用、幾何情報という入力側の設計が、同じ操作系の別々の層として評価されている。特にシーン形状が最も有効で、RGBだけから推定した深度でも役立ったという結果は、専用の深度センサー情報が必須とは限らない可能性を示す一方、論文の記述はシミュレーション評価に限られる。実環境の照明、遮蔽、物体の材質などで同じ傾向が出るとは確認されていない。 次に見るべきなのは、29.7と50.3のスコアがどのタスク群・評価条件に基づくか、実機で同じハーネスが機能するか、経験再利用の効果がタスクごとにどう異なるかである。これらは提示された要約だけでは確定できない。現段階では、スコア上昇をロボット操作全般の能力向上と読み替えるより、評価枠組みをそろえたときにハーネスとシーン情報が結果を左右し得るという報告として捉えるのが妥当だ。

なぜ重要か

論文の比較では、学習済みポリシーなどを加えない構成でも、ハーネスの設計によってRoboDojoのスコアが29.7から50.3になった。ロボット操作エージェントの開発では、モデルの変更だけでなく、履歴の保持や動作停止の設計、シーン形状の入力が評価結果にどう影響するかを切り分ける必要があることを示す。