何が起きたか

arXivは2026年11月16日、5520億パラメーターのDeepSeek-V4.1-Flashを基盤にした視覚・言語・行動モデル「ScaleVLA」の論文を掲載した。論文は、2Bから552Bまでの視覚・言語モデルを共通の学習設定で比較し、少数実演での学習効率や汎化、実機操作を評価した。充電器の差し込みでは成功数が4/10から9/10に増え、行動チャンク当たりの中央値レイテンシは216ミリ秒だった。

詳細

ScaleVLAは、DeepSeek-V4.1-Flashの552Bバックボーンと、学習可能なアクションDiTを接続する構成。論文によると、実演10件を使った場合、2Bバックボーンで実演50件を使った結果を上回り、成功率は87.8%対85.6%だった。LIBERO-PROでの成功率は45.1%で、小型バックボーンの最高値31.3%を上回った。 実世界の充電器差し込みでは成功数が4/10から9/10に改善し、論文は改善が接触に敏感な位置合わせに集中したと説明している。ScaleVLAの行動チャンク当たりの中央値レイテンシは216ミリ秒と報告された。

Key Facts

ScaleVLAは552BのDeepSeek-V4.1-Flashバックボーンと学習可能なアクションDiTを接続する。[1]
実演10件での成功率は87.8%で、2Bバックボーンを実演50件で学習した場合の85.6%を上回った。[1]
LIBERO-PROでの成功率は45.1%で、小型バックボーンの最高値は31.3%だった。[1]
実世界の充電器差し込みの成功数は4/10から9/10に改善した。[1]
行動チャンク当たりの中央値レイテンシは216ミリ秒だった。[1]

本紙の見方

今回の論文の焦点は、ロボットの行動モデルで、従来より大きな視覚・言語モデルを基盤として使うことにどのような差が出るかを、同じ学習設定で比べた点にある。552Bは比較対象の2Bの276倍のパラメーター規模だが、論文が示す価値は規模そのものではなく、実演数を抑えた条件や未見状況への汎化、接触を伴う操作で結果が改善したという組み合わせにある。とくに実演10件で、2Bモデルを50件で学習した場合を上回った結果は、実演データの収集・付与をどこまで減らせるかというロボット学習の論点に結びつく。ただし、この比較だけで他の作業や実環境でも同じ効率が得られるとはいえない。 構成面では、一般的な言語的推論能力を行動に直接置き換えたというより、大規模モデルの表現をアクションDiTにつなぎ、ロボットの行動出力へ接続した研究として読むべきだ。論文は2Bから552Bまでを共通条件で評価しており、単一サイズのデモではなく、モデル規模とロボットタスクの成績を比較する設計を採った。実機の充電器差し込みで成功数が4/10から9/10になり、改善が接触に敏感な位置合わせに集中したという記述は、広い知識を持つバックボーンの効果が、抽象的な指示理解だけでなく、位置誤差が成否を分ける操作に現れた可能性を示す。ただし、成功数は10回の試行であり、評価範囲は限定的だ。 業界構造への含意としては、ロボット基盤モデルの比較軸に、パラメーター規模だけでなく、実演データ効率、汎化性能、行動出力までの遅延を併置する必要がある。216ミリ秒という中央値は、大規模バックボーンを使った場合にも報告された処理時間だが、実運用の応答性を判断するには、計測条件やハードウェア、行動チャンクの長さ、遅延の分布が要る。論文要旨だけでは計算コストや消費電力、異なるロボット・作業への適用範囲、長時間運転時の信頼性は確認できない。次に見るべきなのは、評価ベンチマークと実機タスクの広がりに加え、同じ改善を得るための計算資源、失敗時の安全性、実演データの条件である。

なぜ重要か

論文の比較では、実演10件を使った条件が、2Bバックボーンを実演50件で学習した条件を上回り、実機の充電器差し込みでも成功数が増えた。実演データの収集負担や接触を伴う操作の成否を課題とするロボット学習に関係する結果だが、適用範囲や計算コストは論文要旨からは判断できない。