ロボット制御を「エージェントタスク」に再定義するVIA、Fable 5でLIBERO-Goal成功率96.7%

何が起きたか

arxiv.orgに2026年7月13日付で公開された論文「VIA: Visual Interface Agent for Robot Control」は、ロボット制御をエージェントタスクとして再定義するフレームワークを提案した。VIAは、既存の基盤モデル(FM)をロボットデータで微調整して視覚-言語-行動(VLA)モデルに変換する従来手法とは異なり、ロボット固有の微調整を行わず、ブラウザベースの3Dインターフェースを介してエージェントがスクリーンショットを撮り、直感的なコマンドを発行し、結果を観察して調整する。最強モデルFable 5で3つのLIBERO-Goalタスクで成功率96.7%、長期的なレインボー組立タスクで100%を達成した。

詳細

VIAは、ロボット制御をエージェントタスクとして再構成する。エージェントは、ブラウザベースの3Dインターフェースを通じてマニピュレータを駆動し、スクリーンショットを取得し、コマンドを発行し、結果を観察して調整する。ロボット固有の微調整は行わず、特権状態情報へのアクセスもない。視覚入力と少数の汎用ツールのみで動作する。Claude CodeとCodexの両方でゼロショットで多様なテーブルトップ操作タスクを解決。最強モデルFable 5で3つのLIBERO-Goalタスクで成功率96.7%、長期的なレインボー組立タスクで100%を達成。性能は基盤モデルの規模と強度に応じて向上する。

Key Facts

本紙の見方

今回のVIAの提案は、ロボット制御のパラダイムを根本から問い直すものだ。従来のVLAモデルは、ロボットデータで微調整するため、フロンティアFMに比べて桁違いに小さく、汎用能力が制限される。VIAは、この制約を回避し、既存の強力なFMをそのままエージェントとして活用する。これは、ロボット制御を「ソフトウェアを操作する」という既存のFMの能力に委ねる発想の転換であり、ロボット固有のデータや計算資源への依存を大幅に減らす可能性を秘めている。 本紙の過去記事(2026年8月17日付『NVIDIA、エッジ向け世界モデル「Cosmos 3 Edge」公開 Jetson Thor上でロボット制御を実時間実行』)では、エッジ向け世界モデルがロボット制御を実時間で実行するアプローチを報じた。VIAはこれと対照的に、クラウド級の基盤モデルをそのまま利用し、ブラウザインターフェースを介してロボットを制御する。両者は、ロボット制御の計算基盤をどこに置くかで異なる。Cosmos 3 Edgeはエッジでの実時間推論を重視し、VIAはフロンティアモデルの汎用推論能力を最大限活用する。この対比は、ロボット制御のアーキテクチャ選択において、計算資源の配置とモデルの規模がトレードオフになることを示唆する。 業界構造への含意として、VIAのアプローチは、ロボット制御の開発におけるデータと計算資源の障壁を下げる可能性がある。従来のVLA開発には大規模なロボットデータセットと微調整のための計算資源が必要だったが、VIAは既存のFMをそのまま使うため、ロボット固有のデータ収集や微調整のコストを大幅に削減できる。これは、ロボット制御の開発を民主化し、より多くのプレイヤーが参入しやすくなることを意味する。一方で、VIAの性能は基盤モデルの能力に依存するため、フロンティアモデルを開発・提供する企業への依存度が高まる。 未確定の論点として、VIAの実ロボットへの適用可能性が挙げられる。論文ではシミュレーション環境(LIBERO-Goalやレインボー組立)での成功が報告されているが、実世界のノイズや物理的制約を考慮した検証はまだ十分ではない。また、VIAの動作にはブラウザベースの3Dインターフェースが必要であり、そのレイテンシやロバスト性が実運用に与える影響も不明だ。さらに、Fable 5以外のモデルでの性能や、より複雑なタスクでの汎化性も今後の検証が待たれる。

なぜ重要か

VIAは、ロボット制御の開発手法を変える可能性がある。既存の基盤モデルをそのまま使うことで、ロボット固有のデータや計算資源への依存を減らし、開発コストを大幅に削減できる。これは、ロボット制御の民主化を促進し、より多くの企業や研究者が参入しやすくなることを意味する。また、フロンティアモデルの能力がロボット制御に直接転用できることを示し、基盤モデルの価値をさらに高める。