Zenma、ロボット向け視覚言語行動モデル「VLA-Adapter」を公開 空間認識タスク向け

何が起きたか

Zenmaは2026年9月1日、ロボット操作の視覚言語行動モデル(VLA)向けアダプタ「VLA-Adapter-LIBERO-Spatial-5000」をHugging Face上で公開した。同モデルはLIBEROベンチマークの空間認識タスク向けに調整され、MITライセンスで配布される。

詳細

モデルは「openvla」を基盤とし、transformersおよびsafetensors形式で提供される。特徴抽出とロボットの視覚言語行動(VLA)タスクに対応し、カスタムコードを必要とする。ライセンスはMIT。

Key Facts

本紙の見方

今回の公開は、ロボット操作学習の分野で進む「基盤モデルの再利用」という流れに沿うものだ。VLA(視覚言語行動モデル)は、画像と言語の入力からロボットの動作を生成するモデルで、近年は大規模な事前学習モデルを特定タスク向けに微調整する手法が一般的になりつつある。Zenmaのアダプタは、その中でもLIBEROベンチマークの空間認識タスクに特化しており、ユーザーは基盤モデルをゼロから学習することなく、軽量なアダプタを追加するだけで特定の操作スキルを獲得できる可能性がある。 本紙の過去報道では、ロボット向け基盤モデルの開発競争が激化していることを報じてきた。例えば、ロボット基盤モデル、各社が続々参入 競争激化の構図では、大手テック企業やスタートアップが独自のVLAを開発し、データセットや学習手法の違いが競争の鍵になると分析した。また、ロボット学習データの重要性が増す シミュレーションと実機の融合では、実機データの収集コストが高い中で、シミュレーション環境や公開ベンチマークの活用が進むと指摘した。今回のZenmaのアプローチは、こうした流れの中で「特定タスク向けの軽量アダプタ」という新たな選択肢を提示するものだ。 業界構造への含意として、まず、基盤モデルの公開とアダプタの提供が進むことで、ロボット操作の開発コストが下がる可能性がある。特に、LIBEROのような標準ベンチマーク向けのアダプタが公開されれば、研究者や開発者は独自のデータ収集や大規模な学習をせずに、比較的容易に空間認識タスクのベースラインを構築できる。これは、ロボット操作の研究開発における参入障壁を下げる効果が期待される。 一方で、アダプタの性能は基盤モデルに依存するため、基盤モデル自体の進化が重要になる。OpenVLAのような基盤モデルは、多様なタスクで高い性能を示す一方で、計算資源やデータの面で大規模な投資が必要だ。Zenmaのような小規模な組織がアダプタ提供に注力するのは、基盤モデルの開発競争に直接参入するよりも、既存の基盤を活用して特定のニッチを狙う戦略とみられる。 今後確認すべき点は、第一に、このアダプタの実機での性能がどの程度かという点だ。公開情報ではベンチマーク上の性能しか確認できず、実環境での汎化性は未知数である。第二に、アダプタの学習に使用したデータの規模や構成が明らかでないため、再現性やバイアスの検証が難しい。第三に、Zenmaが今後、他のタスク向けのアダプタや基盤モデル自体の開発に進むのかどうかが注目される。

なぜ重要か

ロボット操作の基盤モデルが公開されることで、開発コミュニティは特定タスク向けの調整を低コストで試せるようになる。これは、ロボットの知能化を加速させる可能性がある一方で、基盤モデルへの依存度を高めるという構造的な課題も浮き彫りにする。