VLAとWAMを統合する「JAM」を提案、FastWAM比で学習FLOPsを73%削減

何が起きたか

論文「Vision-Language-Action or World-Action? Just Action Models」は2026-10-27、VLAとWAMの設計要素を切り分ける共通枠組みとしてJust Action Model（JAM）を提案した。JAMは事前学習済み視覚バックボーンと行動エキスパートを使い、行動損失と未来予測損失で学習する。論文によると、FastWAMとの比較で成功率は97.0%/55.3%/91.2%から98.2%/64.5%/91.4%となり、キャッシュした予測対象を用いる場合、1サンプル・1更新当たりの推定オンライン学習FLOPsを73%削減した。

詳細

未来予測損失では、現在の観測から、記録された未来の凍結エンコーディングを予測する。予測ヘッドは学習後に取り除くため、論文の説明では学習時・推論時のいずれにも視覚生成を使わず、推論時に未来予測の追加機構を残さない。バックボーンは生成モデルで初期化したものにも視覚言語モデルにもできるとしている。 論文はLIBERO、LIBERO-PlusでFastWAMおよびImageWAMと比較し、RoboTwinでは同等またはやや高い成功率を報告した。FastWAM比の成功率として示した3値は、論文の記載順に97.0%/55.3%/91.2%から98.2%/64.5%/91.4%へ改善したとしている。FLOPsの73%削減は、キャッシュした未来予測対象を使った場合の推定値である。

Key Facts

本紙の見方

JAMの要点は、VLAとWAMの差を単一の設計選択で説明せず、バックボーンの初期化、未来観測に適用する目的関数、未来損失の計算機構を推論時にも残すか、という三つに分解したことにある。論文は、この切り分けにより、視覚言語モデル由来か視覚生成モデル由来かに限定されない枠組みを示した。新しいモデル名の提案にとどまらず、比較実験で何を固定し、何を変えるかを整理する方法論上の主張と位置づけられる。 構成上の特徴は、未来を予測する学習信号を使いながら、未来画像そのものを生成しない点だ。現在観測から記録された未来の凍結エンコーディングを予測し、そのためのヘッドは学習後に外す。したがって、論文が示す推論時の簡素化は、未来予測を行動時に実行する機構を残さないことに由来する。一方、73%という削減値は、キャッシュした予測対象を使う場合の推定オンライン学習FLOPsであり、推論計算量や実機での消費電力が同率で減ることを示すものではない。 評価値はベンチマーク上の成功率であり、FastWAM比では3値すべてが上昇したと報告されている。ただし、論文要旨が示す数字だけでは、実機での制御性能や、タスク・環境が変わった際の頑健性までは判断できない。また、JAMは異なるバックボーンを選べるとするが、その選択がデータ要件や学習コストにどう影響するかは、この要旨からは定量化できない。 業界への含意は、行動モデルの比較でバックボーンの由来だけを優劣の説明にせず、未来予測の学習信号と推論時の計算構成を分離して検証できる点にある。特に、未来情報を学習に使う利点と、実行時に追加機構を持たない設計を両立できるかが、モデル評価の焦点となる。今後確認すべきなのは、各ベンチマークでの条件別結果、キャッシュの作成・保持に必要な資源、実機タスクでの再現性、バックボーンごとの性能差である。これらは要旨に具体値が示されていないため、73%の削減値や成功率の改善を、異なる計算条件や実環境へそのまま一般化することはできない。

なぜ重要か

論文の比較では、JAMはFastWAM比で3つの成功率を改善し、キャッシュした未来予測対象を使う条件で推定オンライン学習FLOPsを73%減らした。未来予測用ヘッドを学習後に外す設計は、未来予測による学習信号と推論時の追加機構を分けて検討するうえで重要な違いとなる。