何が起きたか
HuixiAIは2026年6月5日、エッジSoC「Huixi R1」と共同設計したVLAモデル「RhinoVLA」の技術報告書を公開した。同モデルは、エッジハードウェア上でのリアルタイム展開を目的とし、11.69Hzのエンドツーエンド推論を達成、10Hzの実時間閉ループ制御目標を満たすとしている。
詳細
RhinoVLAは、VLMの視覚・コンテキストトークンを展開遅延の主要因と特定し、トークン効率的なQwen3-VLバックボーンと連続アクションエキスパートを採用することで、VLM側のトークンと計算負荷を削減しつつ、事前学習済みのマルチモーダル能力を維持する。また、異種ロボットの観測とアクションスキーマを統一ポリシーで整列させるため、View Registry、72次元の物理状態・アクションスロット空間、ロボットインスタンスLoRAを組み合わせた統一インターフェースを導入する。展開面では、ハードウェア認識コンパイル、混合精度実行、並列視覚エンコーディングにより最適化される。実験では、同規模のπ0.5と同等の下流性能を達成しつつ、Huixi R1上で11.69Hzの推論を実現した。プロジェクトはGitHubでオープンソース化される予定。
Key Facts
| HuixiAIは、エッジSoC「Huixi R1」と共同設計したVLAモデル「RhinoVLA」の技術報告書を公開した（2026年6月5日、arXiv）。 | [1] |
| RhinoVLAは、トークン効率的なQwen3-VLバックボーンと連続アクションエキスパートを採用し、VLM側のトークンと計算負荷を削減する。 | [1] |
| RhinoVLAは、View Registry、72次元の物理状態・アクションスロット空間、ロボットインスタンスLoRAを組み合わせた統一インターフェースを導入する。 | [1] |
| RhinoVLAは、Huixi R1上で11.69Hzのエンドツーエンド推論を達成し、10Hzの実時間閉ループ制御目標を満たす。 | [1] |
| 実験では、RhinoVLAは同規模のπ0.5と同等の下流性能を達成したとされる。 | [1] |
なぜ重要か
エッジデバイス上での実時間VLA推論は、ロボットの自律性と応答性を高める鍵となる。RhinoVLAの成果は、モデルとチップの共同設計が有効であることを示し、今後のロボットAI開発の方向性に影響を与える可能性がある。