何が起きたか

arXiv掲載論文「Recover, Don't Just Continue: Learning from Feedback for Physical Failure Understanding and Correction」は2026-11-11、失敗の分析と修正計画を学ぶモデル「Embodied-Corrector」を提案した。論文によると、凍結したVLAを用いた条件では複合タスクの成功率が6.1ポイント改善し、GPT-5.5の実行を固定した条件では操作・ナビゲーション課題が13.9ポイント改善した。

詳細

学習データは、成功軌跡のサブタスク境界に摂動を加え、影響を受けたサブタスクを再実行して作成する。公開情報から失敗を観測でき、現在の状態から回復可能なケースを採用し、行動・結果・失敗原因・回復を「Judge-Cause-Sub-Fine」の教師信号にまとめた。 学習はJudgeとCauseを先に行い、その出力を条件としてSubとFineを学ぶ評価先行型のSFTを採用した。さらに、自己生成した接頭辞から計画を生成し、正確な接頭辞を使う対照的な順方向計算とトークン確率を比較して計画トークンを調整するOPDを導入する。論文は、配備時にはこの対照計算の枝を取り除くとしている。

Key Facts

論文は「Embodied-Corrector」を提案し、失敗分析と修正計画を扱う。[1]
成功軌跡のサブタスク境界に摂動を加え、観測可能かつ現在の状態から回復できる失敗を学習データに採用する。[1]
教師信号はJudge-Cause-Sub-Fineで構成し、JudgeとCauseの後にSubとFineを学習する。[1]
凍結したVLAを用いた条件では複合タスクの成功率が6.1ポイント改善した。[1]
GPT-5.5の実行を固定した条件では操作・ナビゲーション課題が13.9ポイント改善した。[1]

本紙の見方

この研究の焦点は、指示から行動を計画する能力だけでなく、実行結果が意図から外れた後の判断を学習対象にした点にある。失敗を「観測できる」「現在の状態から回復できる」ものに限定し、原因判定から細かな計画までを段階化した。したがって、あらゆる失敗を解決する仕組みではなく、証拠があり、まだ回復可能な局面での修正を扱う設計と読める。 性能値も条件を分けて読む必要がある。凍結VLAの条件で示された6.1ポイントは複合タスクの成功率、GPT-5.5実行固定の条件で示された13.9ポイントは操作・ナビゲーション課題の改善であり、同一条件での比較ではない。絶対成功率や対象タスクの内訳は抄録に示されていないため、二つの数値を直接比べてモデルの優劣や改善幅の差を論じることはできない。 構造上の要点は、訓練時に正確な接頭辞を使って学んだ計画を、自己生成接頭辞からの計画へ移すOPDにある。自己生成の判定や原因分析に誤りがあると後続の回復計画にも影響し得る、という問題設定に対し、対照的な計算で計画トークンを調整する。ただし配備時にはその計算枝を外す設計であり、推論時に追加の対照計算を常時使う方式とは異なる。ここでは学習時の補助を、運用時の計算経路から切り離そうとしている。 今後の評価では、報告された改善がどのタスクや失敗類型に由来するか、回復不能な失敗や観測情報が乏しい場面でどう振る舞うかが焦点になる。抄録だけではデータ量、絶対成功率、試行数、ばらつき、実機での検証条件は確認できない。これらが分からないままでは、改善の再現性や、実環境で安全に回復できる範囲を判断できない。

なぜ重要か

論文が扱うのは、行動が意図どおりに進まなかった後に、失敗原因を判定し、現状から可能な修正を計画する課題である。公開情報から観測でき、回復可能な失敗を学習対象として限定しているため、適用範囲を評価する際は、失敗の観測可能性と回復可能性を分けて確認する必要がある。