何が起きたか

arXivプレプリント（論文ID: 2608.09771v1）において、SLIM（Self-supervised Latent Interaction Model）と呼ばれる0.5Bパラメータの潜在相互作用ポリシーが提案された。SLIMは、行動条件付きの将来遷移と観測変化を説明する行動の両方を捉える、行動に基づく予測潜在表現を学習する。自己教師ありのマスク軌道予測を通じて、行動再構成と将来潜在予測を組み合わせて表現を学習し、コンパクトなMixture-of-Transformers（MoT）バックボーンが観測潜在表現と行動トークン間の相互作用をモデル化する。ポリシーはフローマッチングを用いて言語条件付き行動生成を訓練される。シミュレーションベンチマークと実世界評価において、SLIMは代表的な大規模VLAおよびワールドアクションモデルのベースラインと同等以上の性能を、より少ないパラメータ、追加の身体化事前学習なし、低い推論レイテンシ、および大幅に低いGPUメモリ使用量で達成したと報告されている。

Key Facts

SLIMは0.5Bパラメータの潜在相互作用ポリシーである。[0]
SLIMは行動に基づく予測潜在表現を学習し、行動条件付きの将来遷移と観測変化を説明する行動を捉える。[0]
SLIMは自己教師ありのマスク軌道予測を通じて、行動再構成と将来潜在予測を組み合わせて表現を学習する。[0]
SLIMはコンパクトなMixture-of-Transformers（MoT）バックボーンを使用し、観測潜在表現と行動トークン間の相互作用をモデル化する。[0]
SLIMはフローマッチングを用いて言語条件付き行動生成を訓練される。[0]
シミュレーションベンチマークと実世界評価で、SLIMは代表的な大規模VLAおよびワールドアクションモデルのベースラインと同等以上の性能を達成したと報告されている。[0]
SLIMはより少ないパラメータ、追加の身体化事前学習なし、低い推論レイテンシ、および大幅に低いGPUメモリ使用量を実現したと報告されている。[0]

なぜ重要か

この研究は、ロボット操作における視覚言語行動（VLA）ポリシーの大規模化への依存に疑問を投げかけ、コンパクトなモデルでも同等以上の性能を達成できることを示す点で重要である。計算資源が限られた環境での展開可能性を示唆しており、ロボット操作の実用化に向けた効率的なアプローチとして注目される。