何が起きたか
arXivに2026年11月18日掲載された論文は、言語指示によるロボット制御向けの世界モデル「JEPA Dots」を提案した。40の訓練済みLIBEROタスクを閉ループで評価し、約39.1Mパラメーターで全体成功率84.9%を報告した。論文内のタスクID条件付き適応ベースラインは76.0%で、LIBERO-Goalの成功率は67.1%から88.5%に上がった。
詳細
JEPA Dotsは、動力学表現とタスク表現を分けて学習するデュアル潜在表現の枠組みだ。言語条件付きのタスク特徴がフローマッチング方策を導く一方、マスク付き注意機構により、世界予測は指示に依存しない動力学履歴と与えられた行動に基づく。論文は、観測と与えられた行動が同じ場合、言語指示を切り替えても動力学表現と世界予測が不変で、タスク表現と方策出力は言語に応じて変化すると報告した。 比較対象として記載されたNanoVLA-Sの公表成功率は78.7%、パラメーター数は161.0Mだが、論文は評価プロトコルが異なるとしている。このため、成功率を同一条件での直接比較として扱うことはできない。
Key Facts
| 論文の掲載日は2026年11月18日。 | [1] |
| JEPA Dotsは約39.1Mパラメーターで、40の訓練済みLIBEROタスクにおける全体成功率84.9%を報告した。 | [1] |
| 論文内のタスクID条件付き適応ベースラインは全体成功率76.0%、LIBERO-Goal成功率67.1%で、JEPA Dotsではそれぞれ84.9%、88.5%だった。 | [1] |
| NanoVLA-Sの公表成功率は78.7%、パラメーター数は161.0Mと記載されたが、評価プロトコルは異なる。 | [1] |
本紙の見方
JEPA Dotsの焦点は成功率の数字だけでなく、言語指示が制御に必要な目標選択を変えても、固定された観測と行動に対する動力学予測は変えない、という設計上の分離にある。論文は、動力学表現を指示に依存しない履歴と行動から作り、タスク表現を言語条件付き方策に使う構成を採る。言葉が変わるたびに予測する物理的な帰結まで変化することを避け、指示理解と環境変化の予測を別々に評価する枠組みを示した点が、本研究の技術的な主題とみられる。 結果の読み方では、比較条件を分ける必要がある。JEPA Dotsは40の訓練済みLIBEROタスクで84.9%を報告し、論文内のタスクID条件付き適応ベースライン76.0%から改善した。さらにLIBERO-Goalでは67.1%から88.5%となった。これらは同じ論文の参照実験における比較である。一方、NanoVLA-Sの78.7%は評価プロトコルが異なると明記されており、84.9%との単純な優劣比較には使えない。パラメーター数は約39.1M対161.0Mだが、モデル規模の差だけで実運用時の計算負荷や性能を結論づける情報は示されていない。 業界構造への含意は、ロボット制御モデルの評価軸を、指示に従う行動生成と、行動の結果を予測する能力に分けられる可能性にある。指示を切り替える実験で、タスク表現・方策出力と動力学表現・世界予測が異なる反応を示すという報告は、この分離を検査する具体的な手掛かりになる。ただし、論文抄録が示す評価範囲はLIBEROの閉ループ評価であり、実機での動作や異なる環境への移行を確認したとは読み取れない。今後の判断には、実機条件での成功率、未学習タスクや環境での挙動、評価プロトコルの詳細、予測と制御の分離がタスクの複雑さによってどう変わるかを確認する必要がある。
なぜ重要か
JEPA Dotsは、言語を変えたときに制御目標の表現は変わり、同じ観測と行動に対する動力学予測は保たれる設計を、指示切り替え実験で評価している。ロボット制御モデルを導入・比較する側にとって、指示追従と行動結果の予測を分けて検証する具体的な評価観点となるが、報告された成功率はLIBEROタスクでの結果である。
