Xiaomi、視覚言語モデルの空間知能を強化する「SpatioLM」を公開 外部3D入力不要でVSI-Bench 71.6点

何が起きたか

Xiaomi Researchは2026年8月3日、視覚言語モデル(VLM)の空間知能を強化する「SpatioLM」を発表した。同手法は外部の3D事前入力や第三者製の空間エンコーダを追加せず、VLMに内在する空間知識を引き出すプラグアンドプレイ型のモジュールを特徴とする。空間知能ベンチマークVSI-Benchで71.6点を達成し、70点を超えた初のモデルだとしている。コードはGitHubで公開された。

詳細

SpatioLMは、パラメータ効率的な「Spatio-vision言語モデル」で、既存のVLMに非侵襲で組み込めるモジュールを設計する。擬似深度とカメラ情報を教師信号として利用し、物理的に一貫した表現を学習させる。実験では、空間知覚・理解の多様なタスクで大幅な改善を示し、汎用能力の低下を抑えた。VSI-Benchで71.6点(70点超えは初)、身体化操作タスクへの転移でも競争力のある性能を達成した。コードはGitHub(https://github.com/xiaomi-research/spatio-lm)で公開されている。

Key Facts

本紙の見方

今回の発表は、Xiaomiが具身智能(身体化知能)分野で進める基盤技術の一角を占める。本紙が既報の通り、Xiaomiは2026年7月15日に具身智能向け統一生成モデル「Xiaomi-Robotics-U0」を公開し、ロボットのタスク完了率を平均26.3%向上させたとしている。SpatioLMはこれと並ぶ空間知能の基盤であり、ロボットが実世界を認識・操作するための「空間理解」をVLMに付与する点で、U0の生成能力と補完関係にあるとみられる。 特筆すべきは、外部の3D入力や専用エンコーダに依存しない設計だ。従来の空間知能強化は、深度センサーや3D点群などの追加入力を前提とすることが多く、システム全体の複雑化や汎用能力の低下を招きがちだった。SpatioLMは擬似深度とカメラ情報を教師信号として用いることで、追加ハードウェアなしに空間知識を引き出す。これは、ロボットの量産時におけるコストと消費電力の抑制につながる可能性があり、Xiaomiのロボット戦略にとって実装面での優位性となる。 また、VSI-Benchで71.6点という数値は、空間知能の評価指標として注目に値する。70点の壁を破ったのは初とされ、既存手法に対する優位性を示す。ただし、このスコアは特定のベンチマークでの結果であり、実環境での性能は別途検証が必要だ。身体化操作タスクへの転移でも「競争力のある性能」とされるが、具体的な成功率やタスク内容は公開されていない。 業界構造への含意として、Xiaomiが空間知能の基盤技術をオープンソースで公開する点は、競合他社との差別化要因になる。RoborockがXiaomi生態系から独立して世界首位に立った経緯を踏まえると、Xiaomiは自社の技術を外部に開放することで、エコシステムの拡大を図る戦略とみられる。一方で、空間知能の研究はGoogle DeepMindやNVIDIAなども進めており、競争は激化している。 未確定の論点としては、SpatioLMを搭載した具体的な製品やロボットへの適用時期が挙げられる。また、擬似深度の生成方法や、実世界の多様な環境でのロバスト性も今後の検証課題だ。

なぜ重要か

SpatioLMは、ロボットが実世界を理解するための空間知能を、追加ハードウェアなしでVLMに付与する手法として、Xiaomiの具身智能戦略を支える基盤技術となる。オープンソース公開により、同社の技術が業界標準となる可能性もあり、ロボットの知能化競争に一石を投じる。

日本への影響

空間知能の基盤技術がオープンソースで公開されることで、日本のロボット研究開発コミュニティもこれを活用できる可能性がある。特に、擬似深度とカメラ情報のみで空間理解を実現する手法は、センサーコストの低減につながり、日本の中小ロボットメーカーにとって導入障壁を下げる要因となり得る。ただし、具体的な応用は今後の検証待ちだ。