何が起きたか
arXivに2026年11月13日掲載の調査論文が、2022年12月から2026年10月までのVision-Language-Action(VLA)研究88件をレビューした。対象は主に操作とナビゲーションで、ヒューマノイド制御、world-actionモデル、評価も扱う。論文は22モデルを設計・学習・展開の観点から分析し、学習データ、モデル規模、推論速度、ハードウェアを比較した。
詳細
整理軸は、入力・メモリー、アーキテクチャ、行動出力、中間予測、事前学習データ、事後学習、リアルタイム実行の7項目。論文は、学習データの例としてπ₀の遠隔操作ロボットデータ約10,000時間、SmolVLAのコミュニティ収集エピソード23,000件、GR00T N1.7の一人称視点の人間動画20,000時間を挙げる。モデル規模は近年の多くが30億〜70億パラメーターである一方、10億未満でコンシューマーGPU上で動くモデル群も登場したとする。
Key Facts
| 調査対象は2022年12月から2026年10月までのVLA研究88件。 | [1] |
| 論文は22モデルを、学習データ、モデル規模、推論速度、ハードウェアなどの観点で分析した。 | [1] |
| 学習データの例として、π₀は遠隔操作ロボットデータ約10,000時間、SmolVLAはコミュニティ収集エピソード23,000件、GR00T N1.7は一人称視点の人間動画20,000時間を用いる。 | [1] |
| 近年のモデルの多くは30億〜70億パラメーターで、10億未満のモデル群もコンシューマーGPU上で動くと論文は整理した。 | [1] |
| 論文は、ベンチマークでほぼ満点の一部VLAも、物体やカメラがわずかに動くと失敗すると指摘した。 | [1] |
本紙の見方
この調査の軸は、モデルの性能順位ではなく、VLAを設計から実機展開までの一連の過程として捉えた点にある。入力や行動出力だけでなく、事前学習データ、対象ロボットへの適応、ロボットの動作速度に追随する実行までを同じ枠組みに置く。実機で使えるかどうかはモデル単体の能力ではなく、データ、制御方式、計算環境、実行時間の組み合わせに左右されるという読み方につながる。 データの例は、学習基盤が単一の形式ではないことを示す。π₀の約10,000時間、SmolVLAの23,000エピソード、GR00T N1.7の20,000時間は単位もデータの性質も異なるため、量の大小を単純に比較できない。重要なのは、遠隔操作、コミュニティ収集、人間の一人称映像という異なる入力源が並ぶことである。これらをロボットの動作にどう結び付けるか、また各データがどのタスクや環境を代表するかが、モデル間の比較を読む際の焦点になる。 モデル規模にも二つの方向が表れている。30億〜70億パラメーターのモデルが多い一方、10億未満でコンシューマーGPU上で動くモデル群もある。後者は、少なくとも論文の整理上、学習・適応に必要な計算環境を小さくできる可能性を示す。ただし、単体GPUでの微調整が可能であることと、実機で安定して動作することは別の条件である。論文が推論速度とハードウェアも比較対象に含めたのは、モデル規模だけでは展開条件を評価できないためと考えられる。 さらに、操作とナビゲーションの双方を扱う汎用VLAが現れている一方、ベンチマークでほぼ満点でも、物体やカメラの小さな変化で失敗する例がある。評価スコアを実環境での頑健性と同一視できない点は、ロボット導入時の安全性や再現性を検討するうえで重要だ。次に見るべきなのは、異なるデータ形式やタスクをどの評価条件で比べたのか、実行速度と使用ハードウェアが現場の制御要件にどう対応するのか、環境変化による失敗がどの範囲で確認されたのかである。要旨はこれらの個別条件を示していないため、調査論文の各分析結果を確認する必要がある。
なぜ重要か
この調査は、VLAの評価でモデルのベンチマーク成績だけを見ると、物体やカメラの小さな変化に対する失敗を見落とし得ると指摘する。ロボットを実環境で運用する側には、タスク成績に加えて、変化への頑健性とリアルタイム実行の条件を確かめる必要性を示す。
