何が起きたか

arXiv掲載論文は2026年11月12日、LLMプランナーを呼び出して動くナビゲーションエージェントの経験をVLAに移す手法「H2E」を発表した。REVERIE-CEのval-unseen全3,189エピソードで、8B VLAの成功率は35.0％から44.9％に上昇した。学習後のVLAはテスト時にLLMプランナーなしで動作する。

詳細

H2Eは、プランナーの指示やツール操作、迂回を含むエージェントのセッションをVLA用の訓練データに変換する。各動作を元のタスク指示に対するVLAの行動として扱い、結果の姿勢を目標値にする一方、ゴールから遠ざかる動作の損失をマスクする。ゴールから1m以内に訪れた状態には停止ラベルを付け、低ランク適応でVLAを更新する。

Key Facts

H2Eは、LLMプランナーを使うエージェントの経験をVLAの訓練データに変換する手法として提示された。[1]
ゴールから1m以内に訪れた状態を停止位置としてラベル付けする。[1]
REVERIE-CE val-unseenの全3,189エピソードで、8B VLAの成功率は35.0％から44.9％に上昇した。[1]

本紙の見方

この研究の焦点は、ナビゲーション時に毎回必要となるLLMプランナーを高性能化することではなく、そのエージェントが得た経験をVLA側に移し、テスト時の実行主体をVLA単独にする点にある。論文は、LLMを各エピソードで呼び出す構成にはコストと遅延が伴うと説明する。H2Eはこの構成上の負担に対し、計画器そのものを蒸留するのではなく、計画器を含むエージェントのセッションを利用する設計を示した。ただし、コストや遅延の削減量は要約された結果には示されていない。 入力となるセッションは、そのままVLAの模範動作として扱えるとは限らない。プランナーのツール操作や下位指示、迂回が混在するためだ。H2Eは動作を元のタスク指示に結び付け、結果の姿勢を教師信号にする一方、ゴールから離れる動きの損失を無効化する。さらに、ゴールから1m以内の訪問状態を停止として扱う。したがって、セッションを行動列として丸ごと模倣させるのではなく、タスク指示、動作の結果、停止判定を組み合わせて再構成する方法と読める。これは、エージェントの実行ログを学習資産に転換する際、失敗や迂回を含む軌跡をどう扱うかが設計上の要点になることを示している。 評価では、8B VLAの成功率がREVERIE-CE val-unseenの3,189エピソードで35.0％から44.9％へ9.9ポイント上がった。論文は、基盤モデルが到達できなかったゴールを見つけ、ゴールで停止することも学んだとしている。数値は同じ評価集合上の比較であり、異なる環境やタスクへの一般化、LLMを含む方式との実行コスト比較までは、この記載から確認できない。今後の評価では、成功率だけでなく、セッションの収集条件、迂回を含むデータでの頑健性、停止位置の誤差、推論時の遅延と計算コストを併せて確認する必要がある。今回の結果は、少なくともこのベンチマークで経験蒸留が有効だったことを示すが、単独動作の実用性を判断するには評価範囲と運用条件の開示が焦点となる。

なぜ重要か

論文の手法では、LLMプランナーを含むセッションをVLAの学習データに変換し、テスト時にはVLA単独でナビゲーションする。REVERIE-CEの3,189エピソードで成功率が35.0％から44.9％に上がったことは、この方式が同評価集合で基盤VLAの性能を補ったことを示すが、実運用時のコスト削減幅や他環境での性能は示されていない。