何が起きたか
JasonYang66氏は2026年8月27日、ロボット向け視覚言語行動モデル「VLAct-Qwen3VL4B-Pretrained」をHugging Face上で公開した。モデルはStarVLA/Qwen3-VL-4B-Instruct-Actionをベースに、継続事前学習（continual-pretraining）を施し、複数のロボット形態（multi-embodiment）に対応する。ライセンスはApache-2.0で、米国リージョンで公開されている。
詳細
モデル名は「VLAct-Qwen3VL4B-Pretrained」で、Hugging Face上のリポジトリ「JasonYang66/VLAct-Qwen3VL4B-Pretrained」で公開されている。ベースモデルは「StarVLA/Qwen3-VL-4B-Instruct-Action」で、ファインチューニングも同モデルを基に行われている。タグには「robotics」「vision-language-action」「vlact」「starvla」「qwen3-vl」「continual-pretraining」「multi-embodiment」が含まれる。ライセンスはApache-2.0、リージョンは米国。
Key Facts
| JasonYang66氏は2026年8月27日にVLAct-Qwen3VL4B-PretrainedをHugging Faceで公開した。 | [1] |
| モデルはStarVLA/Qwen3-VL-4B-Instruct-Actionをベースに継続事前学習を施している。 | [1] |
| モデルは複数のロボット形態（multi-embodiment）に対応する。 | [1] |
| ライセンスはApache-2.0で、リージョンは米国。 | [1] |
本紙の見方
今回公開されたVLAct-Qwen3VL4B-Pretrainedは、ロボットの視覚言語行動（VLA）モデルとして、既存のStarVLA/Qwen3-VL-4B-Instruct-Actionをベースに継続事前学習を行った点が特徴だ。継続事前学習は、特定のタスク向けのファインチューニングとは異なり、より汎用的な表現を獲得することを目的とする。ここでは「multi-embodiment」、すなわち複数のロボット形態に対応することを謳っており、単一のロボットに特化せず、異なるハードウェア間で転移可能な行動知識の獲得を目指しているとみられる。 このアプローチは、ロボット学習におけるデータ不足と汎化の問題への一つの回答だ。実ロボットのデータ収集はコストが高く、形態ごとにデータを集めるのは非効率である。継続事前学習によって共通の視覚・言語・行動の表現を学習できれば、新しいロボット形態への適応が容易になる可能性がある。ただし、公開情報はモデルカードのメタデータのみで、具体的な学習データの規模やベンチマーク結果は示されていない。性能の検証は今後の課題だ。 また、ライセンスがApache-2.0であることは、商用利用を含む幅広い活用を許容する点で重要だ。ロボット分野では基盤モデルのオープンソース化が進んでおり、本モデルもその流れに位置づけられる。一方で、ベースモデルがStarVLA（Qwen3-VLベース）であることから、中国発のオープンなVLAモデルエコシステムの一部とみなせる。 未確定の論点としては、実際のロボットへの適用例や、継続事前学習に使用したデータセットの詳細、他のVLAモデルとの性能比較が挙げられる。公開情報だけでは、モデルの実用性を判断することは難しい。
なぜ重要か
ロボット向けVLAモデルのオープンソース公開は、ロボットの知能化を加速させる可能性がある。特に、複数形態に対応する継続事前学習のアプローチは、ロボット学習の効率化に寄与するかもしれない。ただし、性能検証が不十分な段階であり、今後の評価が待たれる。