PredVLA、68万パラメータでロボット操作成功率86.9% 予測符号化で大規模モデルに挑戦

何が起きたか

arxiv.orgに2026年8月27日付で公開された論文で、PredVLAという言語条件付き予測符号化ポリシーが発表された。このモデルは訓練可能パラメータがわずか0.68百万（68万）で、ロボットデータ事前学習を行わず、LIBEROベンチマークの3つの短水平線スイートで平均成功率86.9%、長水平線を含めると75.4%を達成した。

詳細

PredVLAは、階層的生成リカレントダイナミクスが視覚特徴とプロプリオセプションを予測し、観測は感覚予測誤差からのオンライン推論を通じてのみ潜在状態に影響を与える。同一のフローズン前段、デモ、アクションデコーダ、評価プロトコルを用いた比較で、パラメータ一致のTransformerとLSTMの平均成功率のそれぞれ3.7倍、7.4倍を達成した。予測符号化の定式化により、観測駆動補正の寄与を直接測定可能で、推論を無効にすると完全なオープンループ制御条件になる。

Key Facts

本紙の見方

PredVLAの登場は、ロボット操作分野におけるモデル規模の常識に一石を投じる。近年、Vision-Language-Action（VLA）モデルは大規模化が進み、数十億パラメータのモデルが標準的になりつつある。しかし、PredVLAはわずか68万パラメータで、LIBEROベンチマークで高い成功率を達成し、大規模モデルが必ずしも必要ではないことを示した。これは、計算資源が限られたエッジデバイスや実機への展開を考えると、大きな意味を持つ。 本紙の過去報道（例：『ロボット基盤モデル、規模競争が加速』2026年5月10日）では、大規模VLAモデルの性能向上が注目されていたが、PredVLAはその流れに逆行する。また、『実世界データの重要性が増す』2026年3月22日で指摘したように、データの質と効率が鍵となる中、PredVLAはロボットデータ事前学習なしで高い性能を達成しており、データ効率の面でも新たな可能性を示す。 技術的には、予測符号化の枠組みが興味深い。観測が予測誤差を通じてのみ潜在状態に影響するという設計は、脳の予測処理理論に着想を得たもので、従来のフィードフォワード型アーキテクチャとは一線を画す。このメカニズムにより、観測駆動補正の寄与を定量的に評価できる点は、解釈可能性の向上に寄与する。 業界構造への含意として、PredVLAのような軽量モデルが実用化されれば、ロボットメーカーは高価なGPUクラスタに依存せずに高性能な制御を実装できる可能性がある。また、モデルの小型化は、クラウド依存を減らし、オンデバイス推論を可能にするため、通信遅延やプライバシー問題の解決にもつながる。 一方で、PredVLAはLIBEROベンチマークでの評価であり、実世界の多様な環境での汎用性は未知数である。また、パラメータ数が少ないとはいえ、リカレントネットワークの推論は逐次処理が必要で、並列化が難しいという課題もある。 今後確認すべき点として、第一に、PredVLAが実ロボットでのタスク成功率をどの程度達成できるか、第二に、より複雑な長期タスクや多段階操作での性能、第三に、モデルのスケールアップ（パラメータ増加）が性能にどのように影響するか、が挙げられる。

なぜ重要か

PredVLAは、ロボット操作におけるモデル規模の常識を覆す可能性があり、計算資源の制約がある現場での実用化や、データ効率の高い学習手法の開発に影響を与える。大規模モデル一辺倒の流れに一石を投じ、軽量モデルの可能性を示した点で、今後の研究開発の方向性を変えるかもしれない。