REFACTOR-VLA、ロボット動作の抽象化を自動学習 世界モデルの規模より目的関数が重要と報告

何が起きたか

2026年9月1日、arxiv.orgに投稿された論文で、REFACTOR-VLAと呼ばれる視覚・言語・行動モデル(VLA)の新方式が発表された。同方式は、ロボットの動作を再利用可能なスキルとして抽象化する「wake/sleep」システムを導入し、LIBEROベンチマークの4つのスイートすべてで既存の最良ベースラインを平均Δ=+0.184上回った。

詳細

REFACTOR-VLAは、睡眠フェーズで学習された潜在世界モデルM_φのロールアウトから計算される行動等価カーネル(BEK)を用いてモータープログラム断片をクラスタリングし、覚醒フェーズでHindley-Milnerに着想を得た語彙上の型付きラムダ項を生成する。抽象化は最小記述長とリターン保存のゲートを通過したもののみ採用される。実験では、世界モデルを188Mから430Mパラメータに拡大すると4スイートすべてで性能が悪化した。一方、世界モデルのウォームアップ中に補助的な教師あり対照学習(InfoNCE損失)を追加すると、睡眠フェーズのクラスタリングが大幅に改善され、正規化相互情報量(NMI)はn=3シードでobject 0.462±0.021、spatial 0.867±0.025、goal 0.915±0.013、LIBERO-10 0.754±0.010となった。プロバイダー間(n=12)の平均ペアワイズNMIの95%ブートストラップ信頼区間は0.683, 0.729。睡眠フェーズは実LIBEROタスク言語ライブラリを初めて生成し、デコーダは3つの採用抽象化のうち2つを使用し、256のサンプルデモンストレーションをすべて書き換えた。

Key Facts

本紙の見方

REFACTOR-VLAの提案は、VLAモデルの設計における根本的な問いを提起する。既存のOpenVLAやπ0などのモノリシックモデルは、生のモーターコマンドを出力するため、長期的なタスクで性能が低下し、解釈が困難である。REFACTOR-VLAは、動作の等価性を定義する「行動等価カーネル」を導入し、スキル発見をロボットのダイナミクスに基づいて行う点で新規性がある。従来のスキル発見は、対照的埋め込みのクラスタリングや、ロボットのダイナミクスに較正されていない言語モデルに依存していた。 本論文の最大の発見は、世界モデルの容量よりも訓練目的関数の方が重要であるという点だ。188Mから430Mへのスケールアップが性能を悪化させた一方、InfoNCE損失の追加はクラスタリング精度を大幅に向上させた。これは、VLAの性能向上が単にパラメータ数に依存するわけではないことを示唆しており、業界の「スケール則」への盲信に一石を投じる。 構造的に見ると、REFACTOR-VLAは「入力(視覚・言語) → 処理(世界モデルによる予測) → 抽象化(スキルライブラリ) → 実行(デコーダ)」という流れを形成する。特に、抽象化が最小記述長とリターン保存のゲートを通過したもののみ採用される点は、データ効率と解釈可能性を重視した設計だ。 業界への含意として、ロボット学習におけるデータの質と目的関数の設計が、モデル規模と同等かそれ以上に重要である可能性が示された。これは、計算資源に制約のある研究機関や企業にとって朗報であり、効率的な学習手法へのシフトを促す。 未確定の論点として、実世界のロボットでの検証が挙げられる。LIBEROはシミュレーション環境であり、実機での動作が不明である。また、抽象化の質がタスクの複雑さにどう影響するか、長期的な学習の安定性なども今後の課題だ。

なぜ重要か

REFACTOR-VLAは、ロボットの動作学習における「抽象化」の重要性を実証し、モデル規模偏重の開発トレンドに疑問を投げかけた。効率的な学習手法は、計算資源の限られた現場での実用化を後押しする可能性がある。