何が起きたか

arXivは2026年11月19日、オンデバイスフィジカルAI向けモデル群「TuringPAI」を扱う論文を掲載した。論文は、0.65Bの視覚言語モデル「TuringPAI-VL」を基盤に、自動運転向け「TuringPAI-Drive」とロボット操作向け「TuringPAI-Embodied」を構成する。DriveはXPeng Native Runtime(XNRT)を使い、単一のNVIDIA Orin-X SoC上で車載動作時に軌道を12Hzで生成すると報告している。

詳細

TuringPAI-VLはHybridViT-MLQを基盤とし、畳み込みによる局所集約とTransformerによる大域モデリングを組み合わせる。Multi-scale Latent Queriesが空間特徴と観測履歴を同じ視覚Transformer内で統合する設計で、学習には一般的な視覚言語データに加え、幾何・異視点・時間に関する教師信号を用いた。論文は、定量的な幾何認識でQwen2-VL-2Bを上回り、下流の2モデルに共通の初期化を提供するとしている。 Driveの評価では、MLQインターフェースを用いたADE/FDE指標が、全トークンを使うHybridViTベースラインの各評価値から1.2%以内に収まり、社内シミュレーションで集計スコアが同等だったという。EmbodiedはLIBEROの4スイート全体で平均成功率96.8%を記録したと論文は報告している。

Key Facts

arXiv掲載論文は、TuringPAI-VL、TuringPAI-Drive、TuringPAI-EmbodiedからなるオンデバイスフィジカルAI向けモデル群を提示した。[1]
TuringPAI-VLは0.65Bモデルで、HybridViT-MLQを基盤とする。[1]
TuringPAI-Driveは単一のNVIDIA Orin-X SoC上で、XNRTを用いた車載動作時に軌道を12Hzで生成すると論文は報告した。[1]
TuringPAI-EmbodiedはLIBEROの4スイートで平均成功率96.8%を記録したと論文は報告した。[1]
DriveのADE/FDE各評価値は、全トークンを使うHybridViTベースラインから1.2%以内だったと論文は報告した。[1]

本紙の見方

技術上の焦点は、単一の汎用モデルを車載・ロボットにそのまま載せることではなく、0.65Bの視覚言語モデルを共通の初期化として、運転と操作の別モデルへ展開する設計にある。さらにDriveでは、MLQを使った評価値と全トークンのベースラインとの差を1.2%以内としながら、単一のOrin-Xで12Hzの車載軌道生成を報告した。論文の主張に沿えば、表現の圧縮と実機側の計算制約を同時に扱おうとする構成であり、モデルのベンチマーク値だけでなく、対象ランタイムとエッジ計算機上で動くかを評価軸に含めた点が特徴だ。 この構成は、視覚入力から空間・時間情報を取り込み、共通基盤から運転または操作の出力へつなぐ。ただし、運転と操作で共通なのは初期化に用いるモデルであり、同一モデルが両タスクを実行するという意味ではない。車載側はXNRTとOrin-X、操作側はLIBEROの4スイートという別々の実行・評価条件で示されており、単一の統合システムとして検証されたとは読めない。12Hzも論文が記す軌道生成頻度であり、安全性や実運用性能全体を示す指標ではない。 本紙関連記事のAPTO、GENIAC-PRIZE 2026の学生向けフィジカルAI課題に採択は、模倣学習に使うデータ設計を学生課題として扱っている。TuringPAI論文はモデル構成と幾何・異視点・時間の教師信号を示す一方、同課題とデータや手法を共有するとの記述はない。両者を並べると、フィジカルAIの検証にはモデル設計だけでなく、学習データの設計も別個の論点として残る。 産業上は、車載計算機での実行を示すXNRTとOrin-Xの組み合わせが、モデルを実際の装置へ移す際のランタイム・ハードウェア条件を明示している。一方、論文の記述だけでは、モデルの重みや推論遅延、消費電力、データ量・収集方法、評価環境の詳細、車両やロボットでの安全性を確認できない。次に見るべきなのは、12Hzの測定条件や幾何認識の評価方法、LIBERO外の実機操作結果、そして共通初期化が各タスクの性能にどの程度寄与したかである。これらがなければ、報告された結果を製品への適用可能性や実環境での堅牢性にそのまま広げることはできない。

なぜ重要か

オンボード計算に制約がある自動運転やロボット操作の研究者にとって、共通の視覚言語基盤からタスク別モデルを構成し、車載側ではOrin-X上の12Hz生成を示した点が具体的な検討材料となる。ただし、車載評価とLIBEROの成功率は別条件の結果であり、製品導入や安全性を裏づけるものではない。