LabVLA、科学実験室向けVLAモデルを発表 シミュレーションデータ基盤も

何が起きたか

研究チームは、科学実験室でのプロトコル実行をロボットに可能にするVLAモデル「LabVLA」と、シミュレーションベースのデータ生成基盤「RoboGenesis」を発表した。LabVLAはQwen3-VL-4B-Instructをバックボーンとし、FASTアクショントークン事前学習とフローマッチング後訓練の2段階で訓練される。LabUtopiaベンチマークで、分布内・分布外の両設定で評価されたベースラインの中で最高の平均成功率を達成したとしている。

詳細

LabVLAは、科学実験室の多様なロボット形態に対応する統一学習フレームワークを提供する。データ面ではRoboGenesisが、原子スキルから実験室ワークフローを構成し、ロールアウトを検証・フィルタリングして、構造化デモを出力する。ポリシー面では、Qwen3-VL-4B-InstructバックボーンをFASTアクショントークン事前学習でアクション認識可能にし、その後フローマッチング後訓練でDiTアクションエキスパートを知識絶縁下で接続する。

Key Facts

本紙の見方

今回の発表は、科学実験室という特定領域にVLAモデルを適用した点で新規性がある。既存のVLAモデルは家庭やテーブルトップのデモに訓練が偏っており、実験室の透明な液体や固定プロトコルといった特性に対応できていない。LabVLAはこのギャップを埋めるため、データと身体性を中心的なボトルネックと位置づけ、RoboGenesisによるシミュレーションデータ生成と、Qwen3-VL-4B-Instructを基盤とした2段階訓練を採用した。特に、FASTアクショントークン事前学習でバックボーンをアクション認識可能にしてから連続制御を学習する点は、既存のVLA訓練とは異なるアプローチであり、効率的な学習を狙ったとみられる。また、フローマッチング後訓練でDiTアクションエキスパートを知識絶縁下で接続する設計は、言語知識と行動知識の干渉を避ける意図があると解釈できる。業界構造への含意としては、科学実験の自動化が進む中で、ロボットが実験プロトコルを実行できるようになることで、研究開発の効率化や再現性向上につながる可能性がある。一方、未確定の論点として、実環境での性能や、多様なロボット形態への一般化がどの程度達成されるかが焦点になる。シミュレーションと実機のギャップ（Sim-to-Real）は依然として課題であり、実証データの蓄積が待たれる。

なぜ重要か

科学実験室の自動化は、研究のスループットと再現性を高める可能性を秘めており、LabVLAはその実現に向けた一歩となる。VLAモデルの適用範囲を家庭やテーブルトップから科学実験へ拡張した点は、ロボット学習の新たな応用領域を示す。今後の実環境での検証が、この技術の実用性を左右するだろう。