WAVE-0、軽量な潜在未来予測でVLAとWAMを接続する枠組みを提案

何が起きたか

arxiv.orgは2026-10-13、WAVE-0: Bridging VLA Policies and WAMs with Lightweight Latent Future Predictionを公開した。WAVE-0は、VLAが持つ意味理解と、WAMが持つ未来予測を結び付け、行動の結果を事前に行動生成へ反映させる枠組みである。中核は257Mの世界モデルで、VLMが生成した潜在的な行動計画を将来表現へ変換し、それを行動専門家の条件に使う。

詳細

WAVE-0の世界モデルは、実際のロボット行動データに対して反実仮想ランキング目的で学習され、画素再構成も大規模な動画事前学習も必要としない設計である。論文は、RoboTwin 2.0で91.47%、LIBEROで98.7%、LIBERO-Plusで88.0%、LIBERO-Proで61.4%、LIBERO-Paraで75.0%の成功率を示したとしている。 実機タスクでは、π_{0.5}の成功率が38.3%から73.3%に改善したと記している。著者らは、これらの結果が多様な分布ずれ下での操作性能と一般化を示すものだとしている。

Key Facts

本紙の見方

WAVE-0の新規性は、VLAとWAMを単純に併置するのではなく、257Mの軽量な世界モデルで「行動の結果」を潜在空間で先読みし、その予測を行動生成の条件として使う点にある。ここで重要なのは、動画生成や画素再構成を前提にした重い世界モデルではなく、実ロボット行動データから反実仮想ランキングで学習する構成に置き換えていることである。つまり、既存のVLAが得意とする意味理解を残しつつ、WAM側の未来予測を低コストで差し込む設計だと読める。 分解して見ると、入力はVLM由来の潜在的な行動計画、処理は257Mの世界モデルによる未来表現の生成、出力は行動専門家への条件付けである。これは、視覚→言語→行動の直列に「将来の状態」という中間層を加えた構造で、単なる方策の精度向上ではなく、実行前に結果を見込む経路を入れている点が焦点になる。RoboTwin 2.0やLIBERO系ベンチマークで高い成功率を示したことは、この中間層が室内操作の一部で有効に働いた可能性を示すが、どの種類のタスクで効いたのかまでは本文だけでは切り分けられない。 本紙の関連記事はないため、過去報道との接続はできない。業界構造への含意としては、今後の論点が「より大きいVLM」ではなく「どの程度軽い世界モデルで、どの程度の操作一般化を出せるか」に移る可能性がある。特に、動画生成を伴わない学習で実機成功率を押し上げた点は、計算資源と学習データの配分を再考させる。未確定論点は、257Mモデルの構成詳細、各ベンチマークでの失敗パターン、実機での対象タスク数、分布ずれの種類、学習データの規模である。論文が示す平均成功率だけでは、どの条件でWAVE-0が有利かはまだ見えない。

なぜ重要か

ロボット操作では、見えている物体を認識するだけでなく、次の状態をどこまで先に見積もれるかが実行成否を左右する。WAVE-0は、動画再構成を使わずにその経路を作ると論文が主張しており、学習コストと性能の両立を狙う研究に関係する。