StarVLA、RoboTwin 2.0向けGR00Tヘッド微調整チェックポイントを公開 100Kステップで学習

何が起きたか

StarVLAは2026年8月31日、視覚言語行動モデル(VLA)向けの継続事前学習手法「VLAct」を用いて、RoboTwin 2.0 Allベンチマーク用に100,000ステップで微調整したチェックポイント「VLAct_Qwen3GR00T_Robotwin_all_Finetune」をHugging Faceで公開した。ベースVLMはStarVLA/Qwen3-VL-4B-Instruct-Actionで、事前学習済みバックボーンはStarVLA/VLAct_Qwen3_Pretrain。アクションヘッドはGR00T/DiTフローマッチング(DiT-B)をランダム初期化して使用する。

詳細

チェックポイントはStarVLA QwenGR00Tフレームワーク用で、アクション表現は連続絶対関節(14次元アクション/14次元ステート)。アクションホライズンは32ステップ、拡散設定はnum_inference_timesteps:4、repeated_diffusion_steps:4。データセットはrobotwin_all_wrap_32(バランス重み付け)を使用し、画像サイズは224×224。学習率はQwen-VLインターフェースが1e-5、アクション/ベースモジュールが1e-4。追加損失としてendpoint_wrap_loss_weight:0.5のwrap-aware角関節損失を採用。チェックポイントのSHA-256は30f8b44ad66dc00f79d7ed896e8be7e0b00253d5e80e14d0a6484a34f836dcf4。ライセンスはApache-2.0。

Key Facts

本紙の見方

今回の公開は、VLAの継続事前学習手法「VLAct」の応用範囲を広げるものだ。VLActは、VLMの事前知識を保持しつつ、共有潜在表現上で複数の連続アクションヘッドを同時学習し、部分統一的パディングレイアウトとwrap-aware損失で異なるロボット形態間のアクション意味を共有する。今回のチェックポイントは、そのVLActバックボーンにGR00Tヘッドをランダム初期化してRoboTwin 2.0 Allで微調整したもので、データスケーリング比較用のポリシーとして位置づけられる。 本紙が既報の通り、StarVLAはRoboDojo向けにVLAct-Qwen3VL4Bを公開しており、今回のRoboTwin向け公開はその流れを汲む。また、VLAct-Qwen3VL4Bの継続事前学習モデルも公開されており、VLActのバックボーンが複数の下流タスクに転用可能であることを示している。今回のGR00Tヘッド版は、OFTヘッド版とは異なるアクションヘッドを用いることで、ヘッドの違いが性能に与える影響を比較する材料となる。 業界構造への含意として、VLAの学習手法が「データ量のスケーリング」から「表現学習」へと重心を移しつつある点が挙げられる。VLActは、データを増やすだけでなく、共有表現を学習することで複数のロボット形態に適応する。これは、ロボット学習におけるデータ不足問題への一つの回答であり、シミュレーションデータや実機データの効率的な活用につながる。また、SO-101 SimStudioのVLA-JEPAポリシーやNVIDIAのCosmos 3 Edgeなど、エッジ推論やシミュレーション学習の動きとも呼応し、VLAの実用化に向けた基盤技術が急速に整いつつある。 未確定の論点としては、今回のGR00Tヘッド版のRoboTwin 2.0 Allでの成功率が公開されていない点が挙げられる。ソースではOFTヘッド版の結果(80.5%など)は示されているが、GR00Tヘッド版の数値は明記されていない。また、実機での安全性や汎用性については、ソースが「任意のロボットへのゼロショット汎用性は検証されていない」と明言しており、今後の評価が待たれる。

なぜ重要か

VLAの学習手法がデータ量の増加だけでなく、表現学習によって複数ロボット形態への適応を目指す流れを示す。これは、ロボット学習の効率化と実用化に向けた重要な一歩であり、研究コミュニティに新たなベンチマークと比較材料を提供する。