StarVLA、VLA研究向けオープンソース基盤を公開 モジュール型アーキテクチャ採用

何が起きたか

2026年4月6日、arxiv.orgに投稿された論文で、VLA研究向けのオープンソースコードベース「StarVLA」が発表された。同コードベースは、モジュール型のバックボーン・アクションヘッド構成を採用し、VLMバックボーン（例：Qwen-VL）や世界モデルバックボーン（例：Cosmos）をサポートする。

詳細

StarVLAは、VLA研究の断片化に対処するため、3つの側面から設計されている。第一に、バックボーンとアクションヘッドを独立に交換可能な共有抽象化を提供する。第二に、クロスエンボディメント学習やマルチモーダル共訓練などの再利用可能な訓練戦略を提供する。第三に、LIBERO、SimplerEnv、RoboTwin 2.0、RoboCasa-GR1、BEHAVIOR-1Kなどの主要ベンチマークを統合した評価インターフェースを備え、シミュレーションと実ロボット展開の両方をサポートする。また、単一ベンチマーク向けの再現可能な訓練レシピを同梱し、最小限のデータエンジニアリングで複数のベンチマークにおいて既存手法に匹敵または上回る性能を達成したとしている。コードとドキュメントはGitHubで公開されている。

Key Facts

本紙の見方

今回の発表は、VLA研究の再現性と比較可能性を高めるための基盤整備として位置づけられる。VLA分野は、アーキテクチャやコードベース、評価プロトコルが断片化しており、研究の進展を妨げているという問題意識に基づく。StarVLAは、バックボーンとアクションヘッドを独立に交換可能なモジュール構成を採用することで、VLMと世界モデルの両系統を統一的に扱える点が新しい。これは、既存のVLAフレームワークが特定のアーキテクチャに依存しがちであるのに対し、共通の抽象化を提供する試みであり、研究の効率化に寄与する可能性がある。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及は避けるが、VLA分野の進展は、ロボットの汎用性向上に向けた流れの一部とみられる。特に、世界モデルをバックボーンとして利用する動きは、近年の生成モデル技術の進展と軌を一にする。StarVLAが世界モデルバックボーンをサポートすることは、この流れを後押しするものだ。 業界構造への含意としては、オープンソースのコードベースが提供されることで、研究コミュニティにおける再現性の向上が期待される。また、統一された評価インターフェースにより、異なる手法の比較が容易になり、研究の進展が加速する可能性がある。一方で、StarVLAが「最も包括的な」と主張する点は、競合フレームワークとの差別化を図るものであり、今後の開発競争が激化する可能性も示唆する。 未確定の論点としては、実際のロボット展開における性能や、コミュニティの採用状況が挙げられる。論文ではシミュレーションでの性能が報告されているが、実環境での有効性は今後の検証が必要だ。また、コードベースのメンテナンス体制や、新たなバックボーンへの対応拡大も注目される。

なぜ重要か

VLA研究の再現性と比較可能性を高める基盤が登場したことで、ロボットの汎用知能開発の加速が期待される。研究者は、共通のコードベース上で手法を試すことができ、分野全体の進歩に寄与するだろう。