PERIA、空間推論向けツール拡張型視覚エージェントを発表 8Bモデルで大規模モデルに匹敵

何が起きたか

2026年6月11日にarxiv.orgで公開された論文「Perceive, Interact, Reason: Building Tool-Augmented Visual Agents for Spatial Reasoning」において、空間推論タスク向けのツール拡張型視覚エージェント「PERIA」が発表された。PERIA-8Bは、13のベンチマーク（8データセット）で評価され、基盤モデルQwen3-8Bと比較して分布内で10.0%、分布外で4.4%の性能向上を達成し、Qwen3-VL-235B-A22B-ThinkingやGPT-5などの大規模モデルに匹敵する性能を示したと報告されている。

詳細

PERIAは、空間推論タスク（地図推論、視覚的プロービング、視覚再構成）を対象とし、2つの軽量ツール群を利用する。視覚認識ツールはテキスト・記号的・空間的証拠を抽出し、視覚操作ツールは視覚的文脈の操作、経路追跡、空間関係の検証を行う。トレーニングには、教師ありツール使用軌跡の合成、複合報酬、およびObservation-Relaxed Group-in-Group Policy Optimization (OR-GIGPO)を組み合わせた統一レシピを採用している。

Key Facts

本紙の見方

今回のPERIAの提案は、視覚言語モデル（VLM）の空間推論能力を向上させるためのアプローチとして、ツール拡張型エージェントという新たな方向性を示すものである。従来のVLMは、視覚エンコーダからの暗黙的な視覚表現に依存するため、細かい空間的証拠の回復が不十分であるという問題があった。PERIAは、外部ツールを能動的に使用することで、この限界を克服しようとするものであり、これは「ツール使用」という概念を視覚領域に適用した点で新規性がある。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及はできないが、空間推論はロボティクスや自動運転などフィジカルAIの基盤となる重要な能力であり、今回の成果はそうした応用への布石とみられる。 業界構造への含意としては、PERIAが8B規模のモデルで大規模モデルに匹敵する性能を示したことは、モデルサイズの競争に一石を投じる可能性がある。計算資源が限られる環境でも高度な空間推論が可能になることを示唆しており、エッジデバイスやロボットへの実装が現実的になるかもしれない。また、ツール拡張型エージェントのアプローチは、モデル自体のパラメータを増やす代わりに外部ツールを活用するため、サプライチェーンやデータの観点では、ツールの開発や統合が新たな競争軸となる可能性がある。 未確定の論点としては、PERIAの実世界での応用可能性や、ツール使用の際の計算コスト、学習データの質と量が挙げられる。また、論文で報告された性能向上が特定のベンチマークに依存していないか、汎用性の検証が今後の焦点になる。

なぜ重要か

PERIAの成果は、空間推論におけるツール拡張型エージェントの有効性を示し、モデル規模に依存しない高性能な視覚エージェントの可能性を提示する。これは、フィジカルAIの応用において、計算資源の制約を緩和し、より実用的なシステムの実現につながる可能性がある。