PRIME W0、世界モデルと運動学的構造を組み込む操作向けVLAを提案

何が起きたか

PRIME W0の論文が2026年10月29日に公開された。現在の観測だけを条件にするフィードフォワード型VLAの課題に対し、事前学習済みVLMの情報、世界モデルによるサブゴール画像の予測、過去フレームの意味情報を組み合わせた行動生成方式を提案する。論文はLIBEROと実ロボットのベンチマークで最高水準の結果を得たとしている。

詳細

方式の中核は、事前学習済みVLMからAdaptive MoE行動エキスパートへの層ごとのKV注入、非同期の世界モデルによるサブゴール画像予測とDINOv2を介した過去フレームの意味的な接続、ロボットの運動学的結合に沿う共分散構造化ノイズを用いたAction Dynamic Manifold（ADM）フローマッチングの3点だ。 学習はVLM事前学習、DAT/NTP視覚運動事前学習、世界モデル注入を伴うDiTフローマッチング・デコーダーの構築、エンドツーエンドのSFTという4段階で行う。論文は各構成要素をアブレーションで検証したとしている。

Key Facts

本紙の見方

PRIME W0の設計上の焦点は、VLAの条件を現在の画像・指示に閉じず、VLMの階層表現、過去フレーム、世界モデルの予測へ広げた点にある。これは単に履歴を追加する構成ではない。VLMから行動エキスパートへ層ごとにKVを渡し、世界モデルのサブゴール画像を非同期に取り込み、DINOv2で過去フレームの意味情報を接続する。異なる時間幅と表現形式の情報を行動生成へ組み込む設計として読める。 もう一つの特徴は、行動の生成過程にロボットの運動学的制約を反映させようとしていることだ。ADMフローマッチングで共分散構造化ノイズを用いると論文は説明しており、関節などの動きが独立ではないという構造を生成過程に持ち込む狙いがある。ただし、どのロボットのどの運動学モデルを使ったか、制約をどのように数式化したかは、ここで確認できる要約には記されていない。したがって、実機の動作がどの程度改善したかを方式名だけから判断することはできない。 評価について論文はLIBEROと実ロボットのベンチマークで最高水準の結果を報告し、各構成要素のアブレーションも行ったとしている。これは、提案要素をまとめて導入した結果だけでなく、個別の寄与も検証対象にしたことを示す。一方、要約にはスコア、比較対象、実ロボットの機種やタスク、試行条件が示されていない。評価結果を別のロボットや操作環境へ一般化できるかは、この情報だけでは分からない。 4段階の学習構成も、技術的な論点を分けて見る手掛かりになる。VLMと視覚運動の事前学習に続いて、世界モデルを注入したDiTデコーダーを組み立て、最後にエンドツーエンドでSFTする。既存表現を行動へ接続する工程と、世界モデルを行動生成へ接続する工程を段階化した設計である。ただし、学習データの規模・由来、計算量、推論遅延、学習後の再学習条件は要約から確認できない。実運用を評価するには、ベンチマークの数値に加え、こうした条件と、予測が外れた際の動作、安全性を確かめる必要がある。

なぜ重要か

論文が示す設計では、VLAの行動生成に、現在の観測だけでなく世界モデルのサブゴール予測と過去フレームの意味情報を結び付ける。さらに、共分散構造化ノイズでロボットの運動学的結合を扱うため、評価の焦点はタスク成績だけでなく、異なる時間情報と運動制約を実機の行動にどう反映できるかにも置かれる。