何が起きたか
arXivに2026-10-19付で掲載された論文「CondenseVLA」は、多フレームVLA向けに、過去フレームの視覚情報を固定長のスロットトークンへ圧縮する学習可能な履歴圧縮手法を提案した。論文は、短期の接触、遮蔽、途中状態のような一時的だが行動決定に効く視覚手がかりを、decoder側で統合する構成を示している。
詳細
CondenseVLAは、VLM backboneでキャッシュした各フレーム特徴列に対し、learnable queriesとmulti-head cross-attentionで履歴を要約する。さらに、スロット間のattention mapの重なりを罰する補助正則化と、スロット埋め込みの相関を弱める設計を加え、相補的な注意を促すとしている。 評価結果として、Simpler-WidowXの成功率は58.7%から69.8%に上昇し、LIBEROでは97.2%、実世界タスクでは52.8%を達成した。一方で、記憶依存のRMBenchタスクでは21.6%の成功率にとどまり、有限長の履歴窓の限界も示したとしている。
Key Facts
| 論文「CondenseVLA: Learnable History Condensation for Efficient Multi-Frame VLA」はarXivに2026-10-19付で掲載された。 | [1] |
| 手法は、decoder側のlearnable history condensation moduleで過去観測を固定数のslot tokensに圧縮する構成である。 | [1] |
| VLM backboneでキャッシュした各フレーム特徴に対し、learnable queriesとmulti-head cross-attentionを用いる。 | [1] |
| Simpler-WidowXの成功率は58.7%から69.8%に改善した。 | [1] |
| LIBEROで97.2%、実世界タスクで52.8%、RMBenchで21.6%の成功率を示した。 | [1] |
本紙の見方
CondenseVLAの新しさは、履歴をそのまま増やすのではなく、decoder側で短期の視覚文脈だけを圧縮して使う点にある。多フレームVLAでは、過去フレームを増やせば文脈は増えるが計算量も増え、しかも冗長な観測が多いという問題がある。論文は、このボトルネックに対して固定長のslot tokensへ要約する方法を提示しており、単純な“長い履歴窓”路線とは異なる設計である。 本紙の関連記事は今回は付されていないため、過去報道との直接比較はできないが、公開情報の文脈で見ると、この論文はロボット政策モデルの一般的な拡張方向に対する一つの具体解だといえる。VLAは画像・言語・行動をつなぐが、実機では短い接触、遮蔽、途中状態の復元が重要になり、時系列をどう圧縮して保持するかが性能差を生む。CondenseVLAは、全履歴を等価に扱うのではなく、スロット間の重複を抑える正則化まで入れて、どの情報を残すかを学習させている点が特徴である。これは、データを増やすだけでは埋まらない情報選択の問題に焦点を当てた設計とみられる。 一方で、RMBenchで21.6%にとどまったことは、有限長の履歴圧縮が長期記憶や多段推論を完全には代替できないことを示す。つまり、短期の視覚証拠の要約には効いても、より長い時系列依存や複雑なタスクでは別の記憶機構が必要になる可能性がある。今後確認すべき点は、(1) 圧縮スロット数を変えたときの性能変化、(2) どのタスクで改善が大きく、どこで頭打ちになるか、(3) 実機導入時に計算量と遅延をどこまで抑えられるか、の3点である。
なぜ重要か
論文が示すのは、VLAの性能が単なるフレーム数ではなく、短期文脈の選別方法に左右されるという点だ。実環境タスクで52.8%、Simpler-WidowXで69.8%まで改善したことは、ロボット制御で“何を保持するか”が実行精度に直結することを示す。