何が起きたか
arXivは2026-10-12、World Action Models（WAMs）向けの訓練不要・プラグアンドプレイの高速化手法「MARS」を公開した。論文は、WAMsの重い視覚エンコーディングと反復的な生成推論が高頻度の閉ループ制御を難しくしているとし、推論時の冗長性を多段で削る設計を示している。実験ではLIBERO、LIBERO-PRO、RoboCasaで、それぞれ最大4.00倍、3.94倍、2.10倍の速度向上を報告した。
詳細
MARSは、低影響のattention計算を選択的に削り、動きの粒度に応じて拡散推論を適応的に加速し、予測した将来の視覚表現を連続クエリ間でオンライン検証付きで再利用する方式である。論文は、こうした複数の機構を組み合わせることで、近似誤差を抑えながら高速化を図るとしている。 実験対象はLIBERO、LIBERO-PRO、RoboCasaで、エンドツーエンドの速度向上は順に最大4.00倍、3.94倍、2.10倍だった。論文は、異なるモデルバックボーンやシミュレーション、実ロボット実験にも一般化したとしている。
Key Facts
| arXivに論文「MARS: Systematic Multi-Level Acceleration for World Action Models」が掲載された。 | [1] |
| MARSはWorld Action Models（WAMs）向けの訓練不要・プラグアンドプレイの高速化枠組みである。 | [1] |
| MARSはTransformer計算、拡散デノイジング、連続する方策問い合わせの冗長性を多段で削減する。 | [1] |
| LIBERO、LIBERO-PRO、RoboCasaで最大4.00倍、3.94倍、2.10倍のエンドツーエンド高速化を示した。 | [1] |
| コードはhttps://github.com/PKU-VaLuE-Lab/MARSで公開されている。 | [1] |
本紙の見方
MARSの新しさは、WAMsの高速化を単一段の最適化ではなく、attention、拡散推論、連続クエリ再利用の3層に分けて扱った点にある。World Action Modelsは未来の世界状態とロボット行動を同時に予測するため、もともと計算負荷が大きいが、論文はその負荷の所在を分解し、どこを削ってよいかを制御感度と結びつけて判断している。ここで重要なのは、単なる推論短縮ではなく、動作予測への影響が小さい部分だけを落とす設計になっている点である。 本紙の過去報道はないため、今回はこの論文単体の位置づけとして見る必要がある。訓練不要で既存モデルに差し込みやすい一方、実際の価値はモデル本体ではなく推論系にある。つまり、ロボットの性能競争が学習規模だけでなく、閉ループ制御で何Hz相当の応答を出せるかに移っていることを示す材料といえる。ただし、論文が示したのはLIBERO、LIBERO-PRO、RoboCasaでの実験結果であり、現場でのタスク難度やセンサー構成が変わったときに同じ速度・精度の関係が保たれるかは別問題である。 構造面では、入力の視覚表現生成→Transformer推論→拡散デノイジング→連続方策問い合わせ、というWAM内部の計算連鎖のどこに冗長性があるかを可視化した点が大きい。今後の焦点は、4.00倍級の加速がどの条件で維持されるのか、オンライン検証のオーバーヘッドがどこまで小さいのか、そしてシミュレーションと実ロボットでの差がどの程度残るかである。
なぜ重要か
MARSは、WAMsを高頻度制御に使う際の最大の制約である推論遅延に直接触れている。論文が示した最大4.00倍の高速化は、同じモデルでも実行系の設計次第で応答性が大きく変わることを示す。
日本への影響
日本のロボット研究・製造現場にとっては、学習済みモデルの性能だけでなく、既存の制御周期に収まる推論系をどう組み込むかが論点になる。MARSのような訓練不要の高速化は、研究用モデルを実機に載せる際の計算資源要件を見直す材料になりうる。