VLAモデルの推論戦略「SCALE」、追加学習なしで認識と行動を適応的に調整

何が起きたか

研究チームは2026年2月4日、arXivにプレプリント「SCALE: Self-uncertainty Conditioned Adaptive Looking and Execution for Vision-Language-Action Models」を公開した。SCALEは、VLAモデルの推論時に自己不確実性を利用して視覚認識と行動生成を同時に調整する手法で、追加学習や検証器を不要とし、単一のフォワードパスのみで動作する。実験では、シミュレーションと実世界のベンチマークで既存のVLAモデルを改善し、既存のテスト時スケーリング手法を上回ったと報告している。

詳細

SCALEは、Active Inference理論における不確実性駆動の探索に着想を得た推論戦略である。高不確実性時には視覚認識と行動の両方で探索を広げ、低不確実性時には活用に集中することで、様々な条件に適応的に実行する。追加のトレーニングや検証器を必要とせず、単一のフォワードパスのみで効率的に動作する点が特徴。実験では、シミュレーションと実世界のベンチマークで、最先端のVLAモデルを改善し、既存のテスト時スケーリング手法を上回る性能を示したとしている。

Key Facts

本紙の見方

今回のSCALE提案は、VLAモデルの推論時スケーリング（TTS）に関する既存研究の延長線上にあるが、いくつかの点で新規性がある。既存のTTS手法は追加トレーニングや検証器、複数回のフォワードパスを必要とし、実運用に不向きだった。また、行動デコードのみに介入し、視覚表現は固定したままであった。SCALEはこれに対し、追加学習不要・検証器不要・単一フォワードパスという実用的な制約を維持しつつ、視覚認識と行動生成の両方を調整する点が新しい。これは、知覚の曖昧さに対処するには「何をするか」だけでなく「どう知覚するか」の再考が重要だという問題意識に基づく。 本紙の過去報道との接続は、関連記事が提供されていないため直接の言及はできないが、ロボット制御における基盤モデルの活用が進む中で、推論時の効率性と適応性の両立は重要な論点である。SCALEは、追加学習なしで既存のVLAモデルを改善できるため、モデルの汎用性を高める可能性がある。 業界構造への含意としては、SCALEのような推論戦略は、ロボットの実環境展開における計算コストと適応性のトレードオフに影響を与える。特に、エッジデバイスでのリアルタイム制御が求められる場面では、単一フォワードパスで動作する手法は実装コストを低減する。一方で、SCALEの性能はベンチマーク上の評価であり、実環境での多様な条件下での頑健性は未検証の部分が多い。 未確定の論点としては、SCALEがどの程度の不確実性推定の正確性を必要とするか、また、視覚認識と行動生成の調整がどのように相互作用するかが挙げられる。さらに、実世界のタスクでの汎化性能や、他のVLAモデルへの適用可能性も今後の検証が待たれる。

なぜ重要か

SCALEは、追加学習や検証器を必要とせず単一のフォワードパスで動作するため、VLAモデルの実用性を高める可能性がある。特に、計算資源が限られるロボットへの展開において、推論時の効率性と適応性の両立は重要な進展であり、今後のロボット制御の基盤技術として注目される。