Anvil: 知識再循環による身体性空間知能のスケーリング

- 本論文は embodied spatial intelligence のための統合フレームワーク Anvil を提案する。 - 視覚認識だけでなく entity の localize、relation の reasoning、action-relevant な表現を扱う。 - 構成要素は3つ。 - Anvil-Gen: 11 の Ground-Relation-Act forms を対象に form-specific generation、cross-stage consistency verification、failure-driven recollection を組み合わせた heterogeneous data flywheel。 - Anvil-Ben: 多様な embodied spatial capabilities の学習用 scene-aligned supervision と、stage competence と error propagation を区別する scene-linked assessments を提供。 - Anvil-MOPD:…

- 従来は supervision が incompatible な geometric/semantic outputs に分断され、joint training が異なる stage で必要な knowledge を conflate しうる。 - Anvil は data generation、training、benchmarking を統合し、stage ごとの competence と error propagation を区別する点が異なる。 - 7 つの public benchmarks の平均で、Anvil-MOPD は Qwen3.5-9B を 9.29 ポイント、RynnBrain-8B を 11.03 ポイント上回る。 - VABench-Point では 80.67% に到達。 - controlled studies が targeted coverage、selective transfer、feedback-guided repair を補完的要素として支持。

- Anvil-Gen は form-specific generation、cross-stage consistency verification、failure-driven recollection を 11 の Ground-Relation-Act forms で回す data flywheel。 - Anvil-Ben は scene-aligned supervision と scene-linked assessments を提供し、stage competence と error propagation を分離評価。 - Anvil-MOPD は specialist teachers からの distillation で 9B student に統合。 - Semantic-first-fault routing が student の earliest decisive failure に teacher supervision を集中。 - Stage normalization が異なる長さの native outputs 間で loss scale…

- 5.8M source-grounded records、160K images を構築。 - 580K spatial records を held-out evaluation に、5.22M records を training に使用。 - 7 つの public benchmarks の平均で Qwen3.5-9B と RynnBrain-8B をそれぞれ 9.29、11.03 ポイント上回る。 - VABench-Point で 80.67% を達成。 - controlled studies が targeted coverage、selective transfer、feedback-guided repair の有効性を支持。

- 要旨では、joint training が stage 間で必要な knowledge を conflate しうる問題を指摘。 - Anvil の各コンポーネントが補完的であることを controlled studies が支持すると述べる。 - 限界や失敗事例、計算コスト、データバイアスなどの議論は要旨からは不明。

- 要旨で参照/比較されている研究: Qwen3.5-9B、RynnBrain-8B、VABench-Point。 - 関連手法: distillation、specialist teachers、Ground-Relation-Act forms、embodied spatial intelligence の benchmark。 - 同分野の定番として embodied AI、vision-language-action、spatial reasoning の関連研究を挙げる。