何が起きたか

arXiv掲載論文「PRISM: Primitive Routing via In-context Skill Mixing for Retentive VLA Adaptation」は2026年11月6日、既習技能の保持と長期複合タスクでの再利用を狙うVLA適応手法PRISMを提案した。RoboCasa365での成功率は、単一技能タスクが56.43%、長期複合タスクが20.00%だった。論文が比較対象とする標準的なπ0.5-LoRAの2段階微調整は、それぞれ17.86%、17.50%だった。

詳細

PRISMは技能群ごとの低ランク行動エキスパート・アダプターを「プリミティブ・バンク」に保持し、技能別の低ランク残差を加える。推論時には、タスクの進行を捉えるため、VLM条件付きルーターが各アクション・チャンクでプレフィックス表現を読み、使用する技能を組み合わせる。ルーターは、タスク条件付きで行動から導く決定論的オラクルが付けたチャンク単位のラベルで教師あり学習する。 複合タスクの学習では、視覚エンコーダー、言語LoRA、技能残差、ルーター、共有の行動射影と時間MLPを更新する一方、プリミティブ本体は凍結し、技能別の基礎アダプターを保持する設計だ。論文はAgileX PIPERの実ロボット構成でも検証したとしているが、概要には実機の成功率は記載していない。

Key Facts

PRISMは技能別の低ランク行動エキスパート・アダプターをプリミティブとして保持し、推論時にVLM条件付きルーターで組み合わせる。[1]
RoboCasa365でのPRISMの成功率は、単一技能タスク56.43%、長期複合タスク20.00%だった。[1]
標準的なπ0.5-LoRAの2段階微調整は、単一技能タスク17.86%、複合タスク17.50%だった。[1]
論文はAgileX PIPERの実ロボット構成でもPRISMを検証したとしている。[1]

本紙の見方

PRISMの要点は、技能を一つの共有更新に吸収するのではなく、再利用単位としてパラメーター上に残し、タスクの進行に応じて呼び出す設計にある。論文は、技能別の低ランク更新が識別可能な低次元部分空間に位置し、複合タスク向けLoRAもその部分空間にフロベニウス・エネルギーのおよそ半分を集中させると報告する。これは、複合タスクの学習に技能間の構造が反映されているという観察を、独立した技能表現とルーティングの設計につないだものだ。従来の共有更新方式を全面的に置き換えるというより、その更新に埋もれた技能構造を明示的に扱う提案と読める。 結果の読み方では、単一技能の成功率56.43%と複合タスクの20.00%を分ける必要がある。比較対象のπ0.5-LoRAは単一技能17.86%、複合タスク17.50%であり、PRISMとの差は単一技能で38.57ポイント、複合タスクで2.50ポイントとなる。したがって、提示された数値が示す強みは単一技能で大きく、複合タスクでは差がより小さい。技能保持の仕組みが単一技能の性能には寄与しても、長い手順の進行管理や技能切り替えをどの程度改善するかは、成功率だけでは切り分けられない。 構造面では、基礎アダプターを凍結する一方、視覚・言語側やルーター、共有行動層などを更新するため、技能表現の保全と複合タスクへの適応を別の層に担わせている。各チャンクのルーティング教師信号は、タスク条件付きで行動から導く決定論的オラクルに依存する。この設計では、技能を保つだけでなく、学習時に作るチャンク単位の正解ラベルが、推論時の切り替えに適切かどうかが重要になる。プリミティブ数やタスク数が増えた場合の選択精度、ラベル生成の適用範囲は、概要からは判断できない。 論文はAgileX PIPER実機でも検証したとするが、概要には実機の成功率、試行数、対象タスクの内訳がない。RoboCasa365の比較条件やばらつき、長期タスクでの失敗箇所、実機でのルーターの挙動も確認点となる。ベンチマーク上の差を、異なるロボットや技能群でも再現できるかは、示された数値だけでは結論できない。

なぜ重要か

PRISMは、技能別アダプターを凍結して保持しながら、複合タスクの進行に応じた技能選択をルーターに担わせる。単一の共有更新に技能を吸収する方式とは異なり、技能の保持と呼び出しを別の構成要素として設計している点が、既習技能の再利用を要するVLAの適応方法に関わる。