TinyAstral、ハーネス改善を4B操作エージェントに継承

何が起きたか

論文「TinyAstral: Transferring Self-Evolving Harnesses to Tiny Generalist Manipulation Agents」は2026年10月30日、教師モデルのハーネスを自己改善した後、その軌跡を使って4Bの学生モデルへ能力を蒸留する手法を発表した。RoboTwinでは教師の成功率が33.4%から63.6%に上がり、最終版の4B学生モデルは62.8%に達した。測定した展開エピソードで、学生モデルのアクセラレーター使用時間は教師の約5分の1だった。

詳細

手法は2段階で構成する。まずオープンウェイトの教師モデルを固定し、フロンティアLLMエージェントが教師の軌跡を読んでハーネスの変更を提案する。変更はペア統計検定を通過した場合のみ採用する。次に最終ハーネスを固定し、推論と失敗回復を含む教師の軌跡を集め、同じハーネス内で教師を置き換える小型学生モデルを蒸留する。 論文によると、4つのハーネス版それぞれで、蒸留した4B学生モデルは対応する教師に近いスコアを示し、後の版ほど学生の成績も高かった。改善したハーネスは、再学習なしで他の固定プランナーにも転用できた。最終版の学生は、3つの未使用ベンチマークで、同じハーネスを使う552Bプランナーに近い成績だった。

Key Facts

本紙の見方

注目点は、モデルの規模を大きくするのではなく、計画器を動かす周辺機構であるハーネスを先に改善し、その改善を小型モデルへ移す設計にある。RoboTwinでは教師が33.4%から63.6%へ上がり、4B学生が62.8%に達した。学生と教師の差がこの評価で小さいことは、能力の一部をモデル重みだけでなく、ツールやフィードバック、記憶、失敗回復を含む実行枠組みに持たせられる可能性を示す。ただし、結果は論文が示すベンチマークと評価条件の範囲で読む必要がある。 構成上の要点は、ハーネス改善とモデル蒸留を分け、最終ハーネスを固定して学生を訓練することだ。これにより、ハーネスの版ごとに対応する教師と学生を比較でき、版が進むほど学生の成績も高かったという結果を示している。一方、これはハーネス変更だけが成績向上の原因だと一般化できることを意味しない。変更の採否にペア統計検定を使う点は、反復的な自己改善を無条件に受け入れない仕組みとして位置づけられるが、要旨には検定の詳細や採用基準は記されていない。 業界構造への含意としては、推論計算量の大きい教師を常時使う代わりに、教師の軌跡から小型モデルを作り、同じハーネスで動かす選択肢が示されたことが挙げられる。論文は測定した展開エピソードでアクセラレーター時間が約5分の1だったとするが、これは消費電力や総運用費が同じ比率で下がることまでは示さない。また、改善したハーネスを他の固定プランナーに再学習なしで移せたという結果は、ハーネスを特定モデルに閉じない構成の可能性を示す。異なるプランナー間でどの機能が有効だったかは、要旨だけでは分からない。 未確定なのは、各評価のエピソード数やばらつき、統計検定の具体的な設定、実機を含む展開条件、失敗時の安全性である。未使用の3ベンチマークで552Bプランナーに近いという比較も、同じハーネスを使った条件での結果であり、別条件への一般化を保証しない。実用性を判断するには、タスクや環境が変わったときの成功率、ハーネス変更の再現性、失敗回復の安全性、アクセラレーター時間の測定条件を確認する必要がある。

なぜ重要か

論文のRoboTwin評価では、ハーネスを改善した教師の成功率が33.4%から63.6%に上がり、4B学生モデルは62.8%を記録した。測定した展開エピソードでアクセラレーター時間が教師の約5分の1だったという結果は、操作エージェントを小型化する際に、モデルの蒸留だけでなく実行ハーネスの設計も評価対象となることを示している。