TacitVLA、推論遅延なしのVLAモデルを提案 4ベンチマークで性能維持し最大3.4倍低遅延

何が起きたか

arxiv.orgは2026-10-13、TacitVLAという視覚・言語・行動（VLA）モデルを公開した。TacitVLAは、行動時に生成した推論文をその場で参照せずに動作する設計で、4つのベンチマークで評価された。RoboMME、RMBench、LIBERO、PhysicalAI-AVのいずれでも、明示的推論型と同等の性能を保ちながら、最大3.4倍低い遅延を示した。

詳細

論文は、TacitVLAの行動エキスパートが「現在の呼び出しで生成した推論」に注意を向けない構成だと説明している。長期タスクでは、推論テキストをエピソード記憶として使う一方で、各エントリを行動前にまとめて生成するのではなく、行動実行中に生成できるとしている。 評価では、TacitVLAは明示的推論型の対応モデルと比べて最大3.4倍低い遅延を達成し、推論なしで学習した同一アーキテクチャと比べても最大+17.1%の成功率を示した。絶対値では、RoboMME Countingで82.7%（従来最高66.8%）、RMBenchで77.5%（従来最高56.5%）、LIBERO-Plusで72.9%、PhysicalAI-AVの公開分割ではシーンスコア52.5%を記録した。

Key Facts

本紙の見方

TacitVLAの新しさは、推論を捨てるのではなく、行動の待ち時間から切り離した点にある。従来のVLAでは、推論文を先に出してから行動を決めるため、性能と応答速度の間にトレードオフが生じやすかった。これに対し本件は、推論を学習信号として使いながら、実行時にはその推論を参照しない設計を採ることで、同等性能と低遅延を両立させたと読める。 本紙の見方では、ここで重要なのは「推論生成」と「制御実行」を別の経路に分けた構成である。RoboMME、RMBench、LIBERO、PhysicalAI-AVという4ベンチマークをまたいで遅延と成功率の両方を示したことで、単一タスクの最適化ではなく、視覚認識・言語推論・行動制御の結合点にあるボトルネックを狙った研究だと位置づけられる。とくに、RoboMME CountingやRMBenchで過去最高値を更新している一方、同一アーキテクチャの推論なし学習比でも成功率を上積みしており、推論を「実行前の必須工程」にしなくても有効な表現改善が起きるという主張を支える。 ロボットや自動運転の実装では、モデルの賢さだけでなく、推論待ちによる応答遅延がそのまま体験や制御安定性に響く。TacitVLAは、その遅延を推論文の扱い方で抑える発想であり、計算資源を増やすだけでは解きにくい制約に触れているとみられる。今後確認すべき論点は、どの程度の計算コストでこの遅延削減を再現できるか、長期記憶としての推論生成が実運用でどこまで安定するか、そして公開ベンチマーク外の実機環境で同じ傾向が出るかである。

なぜ重要か

TacitVLAの発表は、ロボットや自動運転で問題になりやすい「考えてから動く」遅さを、モデル構造でどこまで減らせるかを示す事例である。arxiv.orgの論文では、推論を前段で完結させなくても性能を保てるとしており、応答遅延が課題の実装では設計の選択肢が変わる可能性がある。

日本への影響

日本では、ロボット制御や自動運転の実装で応答遅延が制約になりやすい領域に関係する。TacitVLAが示したのは、推論を長く出す設計そのものではなく、推論の扱いを切り分けて遅延を抑える構成であり、日本の機体制御・組込み実装・実時間推論を扱う企業や研究機関にとっては、モデル精度だけでなく実行時の待ち時間を評価軸に含める必要があると考えられる。