RAFT、VLAの追加学習で分布外成功率75.0%　通常の微調整は27.9%

何が起きたか

arXivに2026年11月3日掲載の論文は、視覚・言語・行動（VLA）ポリシーの追加学習手法「RAFT」を提案した。物理DROIDロボットの分布外条件での成功率は75.0%で、通常の微調整の27.9%を上回った。複数段階の両腕YAMタスクでは平均成功率70.0%となり、最も強いベースラインの36.0%を上回った。

詳細

RAFTは2段階で構成する。まずタスクに関係する推論注釈を使って低ランクアダプターを学習し、次にそのアダプターを固定して行動デモでポリシーを微調整する。 論文はシミュレーションの物体操作と引き出し開けタスクでも、視覚・物体・指示の変化に対する成功率が改善したと報告する。また、注釈されたタスク領域への注意が増え、後段の層における物体識別の線形プローブ精度も向上したとしている。推論データを広く混ぜた場合は、デモ数の異なる条件で下流タスクの成功率がさらに改善した。

Key Facts

本紙の見方

今回の研究で新しいのは、VLAをタスクに適応させる際、推論に関する注釈と行動デモを同じ段階で使わず、学習の順序を分けた点だ。推論注釈で低ランクアダプターを学習した後に固定し、行動デモでポリシーを調整する。既存の「限られたデモで汎用ポリシーを特定タスクへ適応させる」という課題自体を置き換えるのではなく、その適応手順を組み替えた提案と読める。 結果の読み分けも必要だ。物理DROIDロボットで示された75.0%対27.9%は分布外条件での比較であり、すべてのタスクや環境で同じ差が出ることを示す数字ではない。一方、複数段階の両腕YAMタスクでは70.0%対36.0%という別の比較が報告されている。さらに、視覚・物体・指示の変化に関する改善はシミュレーションのpick-and-placeとopen-drawerタスクについての結果であり、実機結果と混同できない。異なる評価を一つの成功率としてまとめるのではなく、適応対象や環境の違いを保ったまま検証する必要がある。 構造面では、推論注釈を先に学習する工程が、行動デモへの適応にどう関係するかが焦点になる。論文は、注釈されたタスク領域への注意の増加と、後段の層での物体識別に関する線形プローブ精度の向上も報告している。ただし、これらの観察だけで、注意の変化が成功率向上を引き起こしたと結論づけることはできない。推論注釈を含むデータの用意が必要な方式でもあり、適用時には注釈の作成負担と、異なるタスクへの再利用可能性が論点となる。 次に確認したいのは、各評価の試行数やばらつき、デモ数ごとの具体的な成績、ベースラインとの条件差、推論注釈の作成方法である。提示された抄録にはこれらの詳細がないため、75.0%や70.0%の差がどの条件で再現するか、また広い推論データの効果がどの程度のデータ構成に依存するかは、抄録の記載だけでは判断できない。実機での分布外成功率とシミュレーションでの変化耐性を、同じ手法の一般的な性能として扱わず、評価条件ごとに追うことが重要だ。

なぜ重要か

限られた行動デモでVLAを特定タスクに適応させる場合、通常の微調整では名目上の成功率が上がっても、外観・物体・指示の変化に対する頑健性が下がることが論文の問題設定だ。物理DROIDロボットで報告された分布外成功率の差は、適応後の性能を評価する際、通常条件の成功率だけでなく条件変化への耐性も見る必要があることを示す。