Qwen3.5-9B基盤のVLA Grounder、4種公開 凍結VLAへの言語条件付けを強化学習で獲得

何が起きたか

2026年8月31日、Hugging Face上で「Damirchik/vla-grounder-qwen3.5-9b」シリーズとして、VLA Grounderのチェックポイント4種が公開された。内訳は、RL4VLAベンチマークで訓練したOpenVLA版とpi0版、VL-Thinkベンチマークで訓練したOpenVLA版とpi0版の計4種。すべてQwen/Qwen3.5-9Bをベースとし、GRPOとrank-32のLoRAアダプタで訓練、選択ステップはそれぞれ430、270、780、1490。公開形式はLoRA重みをベースモデルにマージした完全マージ済みチェックポイント。

詳細

各モデルは、シーン画像と人間の指示を受け取り、下流の凍結VLAのための簡潔で視覚的に接地されたコマンドを生成する。モデルは言語条件付けポリシーであり、関節やエンドエフェクタの動作を予測しない。報酬生成には凍結したOpenVLAまたはpi0ポリシーを使用し、RL4VLAのMultiCarrotおよびMultiPlateタスク、またはVL-Thinkベンチマークで訓練された。モデルはTransformers、vLLM、SGLang、Docker Model Runnerなどの推論環境で利用可能。制限事項として、下流のVLAにモータースキルを追加せず、アクション能力の欠如、深刻な視覚エラー、制御障害による失敗を修正できないため、物理ロボットへの展開前に生成コマンドの検証が必要とされる。

Key Facts

本紙の見方

今回公開されたVLA Grounderは、ロボット制御のパイプラインを「言語条件付け」と「行動生成」に分離する設計が特徴である。従来のVLA（Vision-Language-Action）モデルが画像と言語から直接アクションを予測するのに対し、本モデルはシーン画像と指示から「視覚的に接地されたコマンド」を生成し、そのコマンドを凍結した下流VLA（OpenVLAやpi0）に渡す。これにより、下流VLAの重みを固定したまま、言語理解と視覚接地の能力だけを強化学習で向上させることができる。このアプローチは、大規模なロボットデータセットを再収集することなく、既存のVLAの性能を引き出す可能性を秘めている。 訓練方法はGRPO（Group Relative Policy Optimization）とrank-32のLoRAアダプタを用いており、報酬は凍結VLAからのスパースなロールアウト報酬である。RL4VLAのMultiCarrotおよびMultiPlateタスクとVL-Thinkベンチマークの2系統で訓練されており、それぞれOpenVLA版とpi0版が用意されている。選択ステップが430、270、780、1490と異なるのは、各ベンチマークと報酬VLAの組み合わせで最適なステップが異なるためとみられる。 この公開は、ロボット学習における「凍結VLA適応」という研究テーマの再現性を高めるものだ。モデルカードには「研究目的」と明記され、物理ロボットへの展開前にコマンドの検証が必要とされる。これは、言語条件付けポリシーが下流VLAの行動能力を補完しないことを明確に示しており、過度な期待を戒める姿勢と受け取れる。 業界構造への含意として、このような「言語接地」モジュールの分離は、VLAのモジュール化を促進する。ロボットメーカーは、行動生成のコアVLAを交換しつつ、言語条件付け部分を共通化できる可能性がある。また、強化学習による報酬設計が、ロボットデータの不足を補う手段として注目される。 未確定の論点としては、実際のロボット展開時の性能、特に物理環境でのコマンドの正確さや、下流VLAとの組み合わせによる相乗効果が挙げられる。また、公開されたチェックポイントのライセンスや商用利用の可否も確認が必要である。

なぜ重要か

この公開は、ロボットの言語条件付けを強化学習で獲得する手法の再現可能性を示すものであり、VLA研究のモジュール化とデータ効率の向上に寄与する。ロボット制御の開発者は、既存のVLAを凍結したまま言語理解を改善する手段として、このモデルを参照できる。