ZAP、実機データなしの学習で実世界タスク成功率96.7%と報告

何が起きたか

arXivに2026年10月26日掲載された論文は、Zero-real Agent Policy（ZAP）を提案した。事前学習済み27Bパラメータモデルで状況理解と推論を補い、シミュレーション上のタスクで教師あり微調整とGRPOを行う。論文は、学習に実世界のロボットデータを使わず、実世界タスクで成功率96.7%を達成したと報告している。

詳細

論文によると、ZAPはツールハーネスを介して市販の視覚言語モデルにロボット制御を学習させる構成だ。評価ではGPT-6 Astraと同じ成功率だったとし、同モデルと比べて3倍高速、17倍低コストと報告した。一方、MolmoAct2 VLAの成功率は33.3%だった。 学習データに含まれないタスクの例として、試験管をラックに差し込む操作（指示に応じて別の穴を選ぶ場合を含む）、空中での腕間の受け渡し、三目並べ盤へのXの描画、チェスを挙げた。未知の身体構成への転移では、単腕FrankaでRoboLab-120の成功率55.9%を記録し、論文が比較したVLA/WAMのベースラインを4.9ポイント上回った。

Key Facts

本紙の見方

この研究の焦点は、ロボットのタスク理解と身体の動かし方を、異なる学習段階に分けた点にある。27Bパラメータの事前学習モデルを状況理解・推論の土台にし、シミュレーションでの教師あり微調整とGRPOを動作学習に使う。実世界データを学習に加えずに実タスク成功率96.7%を得たという報告は、実機でのデータ収集を前提としない学習構成がどこまで成立するかを示す。ただし、これは論文が報告した評価結果であり、実運用での再現性を意味するものではない。 結果の読みどころは、単一の成功率だけでなく、未知タスクと未知の身体構成を分けて評価していることだ。試験管をラックに置く、腕間で受け渡す、盤面にXを描く、チェスをする例は、学習タスクの再現だけでなく、対象物・目標・戦略・言語が異なる状況への対応を試している。一方、単腕FrankaでのRoboLab-120は55.9%であり、GPT-6 Astraとの比較で示された96.7%と同じ評価条件の結果として扱うことはできない。身体構成をまたぐ転移には、別の評価軸が残る。 構成上、ZAPは事前学習モデルの知識を入力に、シミュレーションで動作方策を学び、実機タスクで結果を測る流れを取る。実機データなしでの学習が成立すれば、実機データを集める工程への依存を抑える可能性はあるが、論文の要約だけではシミュレーション環境と実機の差をどう扱ったか、対象タスクの範囲や試行数がどの程度かは読み取れない。GPT-6 Astraより3倍高速・17倍低コストという比較も、測定条件やコストの算定範囲が分からなければ、異なるシステムへの一般化はできない。 次に確認すべきなのは、96.7%の評価対象数とタスク構成、成功判定の基準、比較対象との実行条件である。加えて、試験管や盤面などの例がどの程度の反復・環境変化で成立したのか、実機での失敗時に安全な動作を保てるのかも要点となる。これらが示されて初めて、シミュレーション学習の成果がどのロボットや作業へ移せるのかを評価できる。

なぜ重要か

論文は、実世界のロボットデータを学習に使わず、実世界タスクで成功率96.7%を得たと報告しており、実機データ収集を学習の前提としない制御手法の可能性を示す。ただし、報告された成功率や速度・コストの比較は論文内の評価に基づくため、適用範囲を判断するにはタスク構成や測定条件の確認が必要だ。