世界行動モデルの空間指示感度を検証　同義表現の言い換えで達成率が低下

何が起きたか

arxiv.orgに2026-10-12掲載の論文「Same Goal, Different Words: Spatial Instruction Sensitivity in World-Action Models」は、3つのモデルによる864回のロールアウトを、4つのRoboLabシーンで比較した。初期状態とタスク目標を固定したうえで、空間目標の説明を言い換えた際の安定配置到達率を評価した。

詳細

論文は、参照物を基準に関係を説明した場合、移動対象を基準にした説明に比べて、安定配置に到達する率が平均12.2ポイント低下したとしている。空間関係ごとに言い換えの影響が異なり、集計値だけでは文言への感度が隠れる可能性があるという。 また、単独テストでは政策の言語理解における関係の反転を確認し、画像を加えると、テキストだけでは正しかった解釈が崩れる場合があると報告した。ロールアウト分析では、空間配置と指示追従を切り分け、誤った物体を動かしても求められた関係を満たしうること、そして安定配置の率が「任意時点の43.2%」から「エピソード終了時の21.8%」へ下がることを示した。

Key Facts

本紙の見方

この論文の新しさは、world-action modelsの性能を単一の成功率ではなく、同じ目標を別の言葉で言い換えたときの一貫性で測っている点にある。3モデル、864回、4シーンという設計は規模自体が大きいというより、初期状態とタスク目標を固定したまま文言だけを動かし、指示の解釈ずれを切り分けるための実験構造に特徴がある。ここでは、言語理解、対象物の選択、最終配置の維持という3段階が同じ成功指標に混ざるため、平均スコアだけでは実際の脆弱性を見落とすという整理が核心である。 本紙の見方では、これは「ロボットができるか」ではなく「同じことを言い換えても同じ行動を返すか」を問う評価への転換である。参照物を基準にした表現で12.2ポイント低下したという結果は、空間関係の向きがモデル内部の表象に強く効いている可能性を示す一方、関係ごとに影響が異なるため、総合点の平均化が有効性の錯覚を生みうる。さらに、画像追加でテキスト解釈が崩れる場合があるという指摘は、マルチモーダル化が単純な上積みではなく、推論経路を変えてしまうことを示唆する。前提として、誤った物体を動かしても関係条件だけ満たせるなら、成功判定は「動作の正しさ」と「最終配置の正しさ」を分ける必要がある。 業界構造への含意は、評価指標の設計がそのままモデル開発の優先順位を決める点にある。空間指示に対する感度が高いなら、学習データの増量だけではなく、同義言い換え、参照物の入れ替え、画像とテキストの整合性確認を含む試験系が必要になる。加えて、終了時点で21.8%まで下がるという結果は、短時間の成功ではなく状態保持まで含めた制御が未完成であることを示す。今後確認すべきなのは、4シーン以外でも同様の傾向が出るか、3モデルのどれがどの関係で弱いか、画像追加で崩れる条件が何か、そして「動かした対象」と「満たした関係」を分離した評価が他のworld-action modelsにも一般化できるかである。

なぜ重要か

論文が示したのは、同じ空間目標でも表現の違いで安定配置到達率が12.2ポイント変わり、終了時点では21.8%まで落ちるという事実である。これは、ロボットやエージェントの評価で成功率だけを見ると、指示の解釈ずれや状態維持の弱さを見落とす可能性があることを意味する。