IF1001、2026 BEHAVIOR Challengeで2位 Cosmos 3基盤のWAMで100タスクを評価

何が起きたか

Team IF1001は2026年11月10日、2026 BEHAVIOR Challengeで2位となった解法をarXivで公開した。同チャレンジは家庭内の100タスクを対象にモバイルマニピュレーションを評価する。Cosmos 3を基盤とする世界行動モデル（WAM）を用い、公式非公開テストでは平均Q-score 0.615、全タスク成功率41.2%を達成した。

詳細

解法では、視覚履歴の拡充、タスク進行状況による条件付け、タスク群別・スキル別のLoRAアダプターを使ってCosmos 3を改良した。推論時には進行状況推定器を別に用い、タスクと進行状況に応じたポリシー選択を行うほか、行動候補の集約、ローリング・インペインティング、タスク別の時間制御とグリッパー制御を組み合わせた。 自己評価は全100タスクについて3ラウンド平均で、平均Q-score 0.613、全タスク成功率40.9%。公式非公開テストは各タスク20インスタンスで、同0.615、41.2%だった。最低推論要件の1 FPSに対応するため、再帰的自己改善（RSI）とエージェント型ハーネスを使わず、クローズドソースモデルにも依存しなかった。限られたハードウェア資源で評価用100ポートの同時リクエストを処理し、ポート当たり平均2 FPSを超えたという。

Key Facts

本紙の見方

評価結果を読む際の要点は、同じ解法について自己評価と公式非公開テストが分けて示されていることだ。自己評価は3ラウンド平均で成功率40.9%、公式テストは各タスク20インスタンスで41.2%であり、数値は近い。ただし、評価条件が異なるため、両者の差だけから性能の再現性や一般化の程度を結論づけることはできない。2位という順位も、このチャレンジの評価枠内での結果であり、別のタスク群や実環境での優位性を示すものではない。 手法の構成は、単一の基盤モデルの出力をそのままロボット動作にする形ではない。Cosmos 3に視覚履歴とタスク進行状況を加え、タスク群・スキル別のLoRAアダプターを備え、推論時には別の進行状況推定器を介してポリシーを選ぶ。行動候補の集約や時間・グリッパー制御も重ねている。したがって本件の技術的な焦点は、WAMのモデル能力だけでなく、タスク状態の推定から方策の選択、動作の調整までをどう分担させたかにあるとみられる。一方、各構成要素を除いた場合の比較結果は要旨に示されておらず、個別機構の寄与は判断できない。 推論条件も解法の位置づけを限定する。チームは最低要件の1 FPSに対応する構成として、RSIとエージェント型ハーネスを使わず、クローズドソースモデルにも依存しなかった。公式評価で100ポートの同時リクエストを扱い、限られたハードウェア資源でポート当たり平均2 FPS超を維持したとの報告は、モデル単体の精度だけでなく、評価サーバー上での処理運用も結果の一部であることを示す。ただし、ハードウェアの型式や総計算量、実機の処理条件は要旨に記載がなく、FPS値を異なる環境と直接比較する材料は限られる。 今後確認すべきなのは、公式テストの成功率が実機の家庭環境でも保たれるか、100タスク以外への適用でどの程度の調整が必要か、そして視覚履歴や進行状況推定が失敗例にどう作用したかだ。要旨は総合指標を示す一方、タスク別成績、失敗の内訳、実機評価の詳細を示していない。これらが分からない段階では、2位の結果を汎用的な家庭用ロボット能力の証明とみなすより、指定されたベンチマーク条件で成立したシステム構成として評価するのが妥当である。

なぜ重要か

この結果は、家庭内100タスクの評価で、Cosmos 3にタスク進行推定や方策選択、動作制御を組み合わせた解法が2位となったことを示す。公式テストの成功率は41.2%であり、ベンチマーク上の順位と、全タスクを完了する能力の水準を分けて見る必要がある。