何が起きたか

arxiv.orgに2026年7月13日付で公開された論文は、ロボット制御をエージェントタスクとして再構成するVIAを提案した。VIAは、既存の基盤モデルをロボットデータで微調整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、コマンドを発行し、結果を観察して調整する。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し、性能は基盤モデルの規模と強度に応じて向上する。

なぜ重要か

この論文は、ロボット制御を専用の微調整ではなく、ブラウザ上の三次元画面で見て命令し直す作業として扱えるかを示しています。ロボット向け学習に使えるデータや計算資源が限られる中で、既存の基盤モデルをそのまま操作に使いたい研究者にとって、どの条件で動作を確認できるかが分かります。