何が起きたか
2026年8月24日、Hugging Face上にVLA-JEPAモデルの学習済みポリシー4種が公開された。いずれもSO-101ロボット向けで、緑ブロックを容器に置くタスクを対象とし、学習データは200エピソード、129,045フレームで共通。
詳細
公開されたモデルは「muniker/vla-jepa-so101-sort-210base-65ft-unfrozen-50steps-2camera」で、ライセンスはApache-2.0、LeRobot形式で提供される。ベースモデルはQwen/Qwen3-VL-2B-Instructで、フローマッチングDiTアクションヘッドを組み合わせたアーキテクチャ。
Key Facts
| 2026年8月24日にHugging Face上でVLA-JEPAモデルの学習済みポリシー4種が公開された。 | [1] |
| 公開されたモデルはSO-101ロボット向けで、緑ブロックを容器に置くタスクを対象とする。 | [1] |
| 学習データは200エピソード、129,045フレームで共通。 | [1] |
| ライセンスはApache-2.0、LeRobot形式で提供される。 | [1] |
| ベースモデルはQwen/Qwen3-VL-2B-Instruct。 | [1] |
本紙の見方
今回の公開は、VLA-JEPAモデルの適用範囲を広げる一歩と位置づけられる。本紙が2026年7月31日に報じた『VLA-JEPAモデル、Hugging Faceで公開 緑ブロック把持タスク向けに4種』では、同じSO-101ロボット向けに緑ブロックを容器に置くタスク向けのポリシーが公開されていた。今回の公開はその続編であり、同じタスク・同じロボットを対象に、学習データも同じ200エピソード、129,045フレームである。つまり、モデルアーキテクチャや学習データの共通性が維持されたまま、ポリシーの種類が増えたことになる。 一方、2026年5月28日の『Hugging Face、VLA-JEPAモデルの学習済みポリシー2種を公開 LIBERO・SimplerEnv向け』では、Qwen3-VL言語バックボーンと自己教師ありビデオ世界モデルV-JEPA2、フローマッチングDiTアクションヘッドを組み合わせたアーキテクチャが紹介された。今回の公開でもベースモデルにQwen3-VL-2B-Instructが使われており、アーキテクチャの連続性が確認できる。ただし、今回の公開ではV-JEPA2への言及はなく、詳細なアーキテクチャは公開情報では確認できない。 技術的な観点では、フローマッチングDiTアクションヘッドの採用が継続している点が注目される。フローマッチングは拡散モデルの一種で、行動生成の確率性を扱う手法としてロボット学習で広く使われている。VLA-JEPAはこの手法を採用することで、多様な行動生成を可能にしているとみられる。 業界構造への含意として、Hugging Face上でのモデル公開は、ロボット学習の民主化を進める動きの一環と言える。LeRobot形式での提供は、コミュニティでの再利用を容易にし、データセットやモデルの共有を促進する。これは、ロボット学習の研究開発において、特定の企業や研究機関に依存しないオープンなエコシステムの形成に寄与する。 一方で、今回の公開は特定のタスク（緑ブロックの整列）に特化しており、汎用性は限定的である。実世界の多様なタスクに対応するには、より大規模なデータとモデルの拡張が必要となる。 今後確認すべき点として、第一に、今回のポリシーの実機での成功率や汎化性能がどの程度かが挙げられる。公開情報ではシミュレーション上の性能しか確認できず、実機での検証結果は不明である。第二に、V-JEPA2のビデオ世界モデルが今回のポリシーにどのように組み込まれているか、アーキテクチャの詳細が公開されるかが焦点となる。第三に、今後、他のタスクやロボットへの適用が進むかどうか、コミュニティでの活用事例が注目される。
なぜ重要か
VLA-JEPAの学習済みポリシーが継続的に公開されることで、ロボット学習のオープンなエコシステムが強化される。特に、フローマッチングDiTを採用したアーキテクチャが標準化されつつあることは、今後のロボット学習モデルの設計に影響を与える可能性がある。