何が起きたか
RoboDynaは2026年8月23日、動的マニピュレーション向けのVLAモデル「X-VLA-RoboDyna」をHugging Faceで公開した。ベースは2toINF/X-VLA-Pt（0.9B）で、4,050エピソード・35タスク（137万フレーム、16.67Hz、3視点RGB）でファインチューニングされている。学習には8基のH200を使用し、30,000ステップ（約5時間45分）で収束した。
詳細
モデルはX-VLAの20次元の絶対エンドエフェクタポーズ（ee6d）を出力する。アクションチャンクは30ステップ（約1.8秒）で、制御レートは16.67Hz。学習データはRoboDyna Benchmark v2で、移動ターゲット、転がる・落下する物体、時間窓の閉鎖、コンベヤベルト、ディストラクタを含む。ドメインIDは19で、ソフトプロンプトスロットは事前学習で未使用のものを使用。ソフトプロンプトバンクはインデックス19のみが移動（ドリフト1.4e-3）し、ドメイン0〜18はベースチェックポイントとビット同一で、事前学習済みのクロスエンボディメントプロンプトは汚染されていない。
Key Facts
| RoboDynaは2026年8月23日にX-VLA-RoboDynaをHugging Faceで公開した。 | [1] |
| ベースモデルは2toINF/X-VLA-Pt（0.9B）で、4,050エピソード・35タスク（137万フレーム、16.67Hz、3視点RGB）でファインチューニングされた。 | [1] |
| 学習は8基のH200で行われ、30,000ステップ（約5時間45分）で収束した。 | [1] |
| ロールアウト評価は未実施で、成功率は報告されていない。 | [1] |
| モデルはX-VLAの20次元の絶対エンドエフェクタポーズ（ee6d）を出力し、アクションチャンクは30ステップ（約1.8秒）。 | [1] |
本紙の見方
今回の公開は、動的マニピュレーションという特定タスクに特化したVLAモデルのベースラインを提供する点で新規性がある。RoboDyna Benchmark v2は、移動ターゲットや転がる物体など、実世界の動的環境を模したタスクで構成されており、静的環境を前提とした従来のVLAベンチマークとは一線を画す。本紙が過去に報じたUNLVのVLAポリシー（2026年8月21日）は、移動コンベヤ上のスナック把持という単一タスクを62エピソードで学習していたが、今回のRoboDynaは35タスク・4,050エピソードと規模が大きく、動的操作の多様性をカバーする点で異なる。また、ベースモデルがX-VLA（0.9B）である点も、Physical Intelligenceのπ₀.₅をベースにしたUNLVの事例と対照的で、クロスエンボディメント学習のアプローチの違いが表れている。 業界構造への含意として、VLAモデルの学習データの重要性が再確認できる。RoboDynaは4,050エピソードという比較的小規模なデータセットで学習しているが、動的操作に特化したベンチマークを提供することで、データ収集の標準化を促す可能性がある。また、ソフトプロンプトバンクの設計により、事前学習済みのクロスエンボディメントプロンプトを汚染せずに新しいタスクを追加できる点は、マルチタスク学習の効率化に寄与する。 一方、未確定の論点として、ロールアウト評価が未実施であるため、実環境での成功率や汎化性能は不明である。また、アクションスペースの詳細な仕様（rot6dの並びやグリッパーの論理反転など）はデプロイ時に注意が必要で、再現性の検証が待たれる。さらに、学習データの収集方法やタスクの難易度設定が公開されていないため、ベンチマークの公平性を評価するには追加情報が必要だ。
なぜ重要か
動的マニピュレーションは、倉庫や製造現場など実世界のロボット応用で重要な課題であり、今回のベースラインはその研究を加速させる可能性がある。ただし、評価未実施のため、実用化にはさらなる検証が不可欠である。