何が起きたか

論文「VICTR: Value-Informed In-Context Learning for Vision-Language-Action Models」が2026年11月5日、arXivに掲載された。VICTRは、参照実演に対する作業進捗を推定し、その段階に対応する実演の断片を検索して、インコンテキスト行動生成向けに事後学習したπ₀.₅ポリシーへ渡す枠組みである。未学習のドメイン外実世界操作タスクでは、成功率がファインチューニング済みπ₀.₅ベースラインの6.2%に対して23.8%、タスク進捗率が28.9%に対して55.5%だったと報告した。

詳細

進捗推定器IC-VFEは、参照実演動画、言語指示、現在の観測を入力として、タスクに対する相対的な進捗を推定する。VICTRはその推定値を使い、視覚的な類似性だけでは捉えにくい実行段階に対応する実演チャンクを選び、行動生成に利用する。論文は、参照実演に基づく進捗推定により、学習時に見ていないタスクでも現在状態を実演の進行に対応づけられるとしている。

Key Facts

VICTRは進捗推定に基づいて実演チャンクを検索し、インコンテキスト行動生成向けに事後学習したπ₀.₅ポリシーに提供する。[1]
IC-VFEは参照実演動画、言語指示、現在の観測からタスク相対の進捗を推定する。[1]
未学習のドメイン外実世界操作タスクで、VICTRの成功率は23.8%、ファインチューニング済みπ₀.₅ベースラインは6.2%だった。[1]
同じ評価で、タスク進捗率はVICTRが55.5%、ベースラインが28.9%だった。[1]

本紙の見方

成功率の差は17.6ポイントで、報告値の比ではVICTRがベースラインの約3.8倍となる。タスク進捗率も26.6ポイント高い。ただし、この結果が示すのは論文記載の未学習・ドメイン外の実世界操作タスクにおける評価であり、一般的なロボット作業全般の性能差と読み替えることはできない。成功率だけでなく進捗率も比較している点は、タスクを完遂できなかった場合でも、実行がどこまで進んだかを評価に含める設計として読める。 技術面の焦点は、実演検索の基準を視覚的な類似性から、参照実演に照らした実行段階へ広げたことにある。作業の見た目が似た場面でも実行工程が異なれば、単純な類似検索では適切な実演部分を選びにくいという問題設定に対し、IC-VFEの進捗推定を検索段階に組み込んだ。つまりVICTRの構成は、実演動画と言語指示、現場の観測を進捗推定へ入力し、該当段階の実演チャンクを行動生成ポリシーに渡す流れである。実演を使う方式の成否が、データの量だけでなく、実行中のどの段階を参照させるかにも左右される可能性を示す。 一方、報告された比較だけでは、改善分のうち進捗推定と検索方式がそれぞれどれだけ寄与したかは切り分けられない。また、要旨には評価タスク数、試行回数、ばらつき、タスクごとの結果が記されていないため、成功率の差の安定性や適用範囲は判断できない。次に確認すべきなのは、異なる種類の操作や環境での再現性、参照実演の選び方による性能変化、実行時に必要なデータと計算負荷である。公開されたコード・データ・動画も検証材料となるが、要旨だけから実運用時の安全性や継続的な学習効果まで結論づけることはできない。

なぜ重要か

論文の報告では、未学習のドメイン外実世界操作タスクで、進捗に対応した実演検索を用いるVICTRは、ファインチューニング済みπ₀.₅ベースラインより高い成功率とタスク進捗率を示した。実演を参照するVLAの評価では、参照内容の選択に実行段階を反映させる設計が、タスク完遂と途中までの実行の双方に関係し得る。