WoVR+、VLA向け世界モデルを拡張　模擬訓練で成功率を改善

何が起きたか

WoVR+は2026年10月13日、arXivで公開された。VLA（Vision-Language-Action）向けの強化学習において、実機とのやり取りを減らしつつ方策を最適化するため、幻覚を抑えた世界モデルと想像上の相互作用プロトコルを再設計したとする。著者らは、RoboTwinと6つの実機課題でSFT比の成功率が21.09%と16.7%改善し、長期の電話梱包課題では成功率が30%から75%に上がったとしている。

詳細

論文は、VLAインターフェースに整合した世界モデルが多視点予測と固有感覚の更新を行い、幻覚を抑える設計だとしている。さらに、chunk-wise noiseにより方策探索を保ちながら、予測を損ねる行動ジッターを抑えるとしている。 長期課題については、stage-local imagined trainingを導入し、stage-entry reset、stage-specific rewards、local horizons、controllable samplingを組み合わせて、生成するprefixを短くしつつステージ間の学習配分を調整すると説明している。動画は公開されている。

Key Facts

本紙の見方

WoVR+の新しさは、単なる世界モデルの提案ではなく、VLA向けの学習基盤として「幻覚を抑える予測」と「方策探索」を同時に扱う点にある。既定路線の延長としては、実機RLのコストを下げるために模擬環境を使う発想自体は従来からあるが、本論文はそれを多視点予測、固有感覚更新、chunk-wise noise、stage-local imagined trainingへ分解している。つまり、1つの大きなシミュレータを置くのではなく、入力・予測・探索・長期課題の各段で誤差を抑える構造を細かく組み直した点が焦点である。 本紙の過去報道はないため、連続性の確認はできない。ただ、公開情報上は、VLAの学習を実機中心から世界モデル中心へ寄せる流れの中で、WoVR+は「長期タスク」と「短いロールアウト」の両方を同じ枠組みで扱おうとしている。ここが、短期の到達型タスクだけを対象にした模擬学習と異なる点である。特にstage-entry resetやstage-specific rewardsは、長いタスクを一括で学ばせるのではなく、段階ごとに学習信号を切る設計であり、長距離の誤差蓄積をどう減らすかが核心だとみられる。 業界構造への含意としては、実機データの希少性と試行コストを、世界モデル側でどこまで代替できるかが問われる。RoboTwinと6つの実機課題、さらに電話梱包という長期課題で数値改善を示したことは、少なくとも一部のVLA学習では、実機反復の前段を模擬訓練で厚くできる可能性を示す。ただし、論文の指標は成功率であり、現場導入で重要になる稼働安定性、タスク横断の再現性、モデルが蓄積する誤差の上限までは示していない。加えて、chunk-wise noiseやcontrollable samplingが、どのタスクでどの程度効くのかも読み分けが必要である。 次に確認すべき論点は、改善が特定タスクに限られるのか、より広いVLAベンチマークでも再現するのかである。あわせて、stage-local imagined trainingがどの程度の長期ホライゾンまで有効か、world modelの予測誤差がどの段階で支配的になるか、実機と模擬の配分をどう置くべきかが焦点になる。

なぜ重要か

論文が示したのは、VLA学習で実機試行を減らしながら成功率を上げる可能性である。著者らは、RoboTwin、6つの実機課題、電話梱包課題で具体的な改善を示しており、世界モデルを学習前段に置く設計の有効性を評価する材料になる。

日本への影響

日本でこの種のVLA研究を進める場合、実機試行のコストを下げる世界モデルと、長期タスクの段階分割が論点になるとみられる。産業用途では、組立や包装のように工程が連なる作業で、段階別に学習する枠組みが適用できるかが焦点になる。