LeWAM、0.4Bの学習可能パラメータでRoboTwin 2.0平均成功率92.28%を達成

何が起きたか

arxiv.orgは2026-09-23、LeWAM（Latent evolving World Action Model）を公表した。LeWAMは、行動生成をJEPAエンコーダの埋め込みで条件づけ、環境の変化は同じ空間で未来埋め込みを予測する方式を採る。動画拡散バックボーンを使わない設計で、学習可能パラメータは0.4B、RoboTwin 2.0で平均成功率92.28%を示した。

詳細

論文は、従来のVDMベースのWAMでは観測をVAEで圧縮し、その潜在表現を大規模な動画拡散バックボーンで処理していたと整理し、これがWAMの性能と学習コストを大規模な動画生成の事前学習に結びつけていたと述べる。これに対しLeWAMは、JEPAエンコーダの予測埋め込みを行動生成に使い、同じ表現空間で未来埋め込みを予測することで環境進化をモデル化する。

Key Facts

本紙の見方

LeWAMの新しさは、世界行動モデルを支える表現として動画拡散モデル由来の潜在表現ではなく、JEPA系の予測埋め込みを採った点にある。これは単なる実装置換ではなく、行動生成と環境変化予測を同じ埋め込み空間に閉じ込める構成であり、動画生成の事前学習に性能と学習コストを縛られる従来のWAM設計からの分岐とみられる。一方で、論文自体がVDMベースWAMの弱点を理論・実証の両面から検討しているため、主張の核は「新しいロボット本体」ではなく「表現学習の選び方」にある。ここを取り違えると、0.4Bというパラメータ規模や92.28%という結果の意味も薄れる。 本紙の見方では、DemoDPOの位置づけも重要である。模倣学習は実演された行動を再現できても、成功につながる良い行動と失敗につながる悪い行動を区別しにくいという問題設定に対し、LeWAMは追加の環境接触や、人による安全確認付きのリセットを要しないオフライン段階で選好監督を作る道を示した。つまり、データ収集の負担を増やさずに学習後段の精緻化を図る構成であり、入力データ、表現、行動選好の三層を分けて再設計している点が本筋である。これは既存のVLAやWAMを単純に大型化する路線とは異なる。 業界構造への含意としては、ロボット操作モデルの競争軸が、巨大な動画生成基盤をどれだけ流用できるかから、どの表現学習器が操作成功に必要な情報を保てるかへ移る可能性がある。LeWAMの結果が示すのは、少ない学習可能パラメータでも、表現の設計次第で実用性能に近づける余地があるという点だ。ただし、論文が示すのはRoboTwin 2.0の成績と実世界操作での有効性であり、一般の物理環境や異なるタスク群にどこまで広がるかは別問題である。 次に確認すべき論点は、RoboTwin 2.0での92.28%がどのタスク構成で成立したのか、実世界操作の範囲がどこまでか、そしてDemoDPOがどの程度の再現性で選好改善をもたらすかである。加えて、0.4Bという規模がどのバックボーン構成を前提にしているのか、JEPA埋め込みの優位が他の操作データセットでも維持されるのかが焦点になる。

なぜ重要か

発表元のarxiv.orgによれば、LeWAMは動画拡散モデルに依存しない世界行動モデルとして0.4Bの学習可能パラメータで92.28%の平均成功率を示した。ロボット操作モデルの設計で、巨大な生成基盤の流用ではなく表現学習の選択が性能差を生む可能性を示した点に意味がある。

日本への影響

日本では、ロボット操作の評価系や実機検証に関わる研究開発で、動画生成基盤よりもJEPA系表現やオフライン選好精緻化の比較が論点になる可能性がある。特に、少ない学習可能パラメータで実世界操作を扱う設計は、計算資源を抑えた研究開発を志向する国内の研究機関や製造業の実証に接点を持ちうる。