何が起きたか

arXivは2026年10月16日、論文「MambaAct: Efficient Mamba Action Experts for Flow-Matching Vision-Language-Action Models」を公開した。論文は、flow-matching型のvision-language-action（VLA）モデルで反復的に行われる行動デノイジングの計算負荷を下げるため、Transformerベースの行動エキスパートをMambaベースに置き換える手法を提案している。著者らによると、行動エキスパートは10倍小さくなり、LIBEROでのデノイジング遅延は64.8%低下した。

詳細

MambaActは、事前学習済みの視覚・言語前段エンコーダをπ_{0.5}から継承し、行動エキスパートのみを差し替える構成である。Mambaは、ノイズを含む連続行動列の依存関係を扱う行動ミキサーとして使われ、さらにContext CompressorがVLMのprefixトークンをコンパクトな条件付け信号に変換して、各Mamba行動ブロックをゲートし変調する。論文は、token単位の反復的なcross-attentionを避ける設計としてこの圧縮機構を位置づけている。 著者らは、LIBEROでの遅延削減に加え、実世界展開で58.8%の遅延削減を報告した。性能面では、3つの独立したfine-tuning seedにわたりLIBEROの平均成功率が1.08ポイント改善し、LIBERO-Plusと実世界ベンチマークでも改善を維持したとしている。コードとモデル重みは公開されている。

Key Facts

論文名は「MambaAct: Efficient Mamba Action Experts for Flow-Matching Vision-Language-Action Models」である。[1]
掲載日は2026年10月16日で、媒体はarXivである。[1]
MambaActは、flow-matching型VLAモデルのTransformerベース行動エキスパートをMambaベースに置き換える。[1]
著者らは、行動エキスパートを10倍小さくしたとしている。[1]
著者らは、LIBEROでデノイジング遅延を64.8%削減し、実世界展開では58.8%削減したとしている。[1]

本紙の見方

今回の論文の新規性は、VLAの前段の視覚・言語エンコーダを残したまま、反復デノイジングのボトルネックになりやすい行動エキスパートだけをMamba化した点にある。単なる軽量化ではなく、flow-matching VLAの推論経路のうち、繰り返し評価される部分に狙いを絞っているため、効く場所が明確である。 設計の要は、token単位のcross-attentionを繰り返す代わりに、Context CompressorでVLM prefix tokenを圧縮した条件付け信号に変える点だ。これにより、入力側の視覚・言語条件は維持しつつ、行動列の混合をMambaに寄せている。つまり、入力→条件圧縮→行動列処理→反復デノイジングという構造の中で、計算量の重い接続部だけを再設計した形である。 本紙の過去報道はないため、連続性の評価はできないが、論文が示すのは「VLA全体を置き換える」のではなく、遅延の支配項を切り出して最適化するアプローチである。LIBEROでの64.8%削減と実世界での58.8%削減が同時に示されている点は、ベンチマーク専用の最適化にとどまらないことを示唆する一方、どの程度のタスク範囲で同じ改善が再現するかはなお焦点である。 未確定の論点は、モデルサイズの絶対値、推論時の計算資源、実機でのタスク条件、LIBERO-Plusや実世界ベンチマークの個別スコアである。加えて、10倍小型化が性能・遅延・汎化のどの要素を最も強く改善したのか、そして他のVLA系アーキテクチャにそのまま移植できるかは、今後の検証が必要だ。

なぜ重要か

著者らの主張が事実であれば、VLAの実時間制御で障害になりやすい反復推論の遅延を、行動エキスパート側の設計変更で下げられる可能性がある。これは、視覚・言語の理解部分を温存したまま、行動生成の計算経路だけを圧縮する構成が有効かどうかを示す材料になる。 また、LIBEROと実世界展開の両方で遅延削減を示した点は、シミュレーション専用の結果にとどまらないかを見極める際の基準になる。