言語・行動・世界モデルを統合するエージェント型フィジカル知能フレームワークLAW

- LAWは、言語推論・行動生成・world modelingを統合したclosed-loopのVLM–WAMフレームワーク。 - 長期的なmanipulationには、subtask計画・進捗評価・行動選択のためのlanguage reasoningが必要という動機。 - 構成要素は、hybrid-expert vision-language model(VLM)とworld-action model(WAM)。 - semantic subtask progressを介して両者を結び、言語・行動・world state予測を統合する。 - 50のRoboTwinタスクで平均94.21%成功、実ロボット3つのlong-horizonタスクで平均65%成功を報告。

- 従来のworld-action modelsは行動と将来world stateを同時予測するが、long-horizon manipulationに必要なlanguage reasoningによるsubtask計画・進捗評価・行動選択が不足していた。 - LAWはVLMとWAMをclosed-loopで統合し、semantic subtask progressで両者を接続する点が新しい。 - WAM backboneをOpenWAM-$alpha$に置換するとRoboTwin平均95.56%となり、open-source state of the artを更新。 - 2BパラメータのVLMがEmbodied-R1.5やGPT-5.5 Highを用いるvariantを上回る。 - 実ロボットlong-horizon 3タスクで65%成功、$pi_{0.5}$の28.33%、Fast-WAMの25%を上回る。

- LAW agent内のhybrid-expert VLMが残りsubtaskを計画し、WAMが提案する行動の価値推定とfusionを行う。 - VLMは実行statusを非同期に評価し、継続実行とsubtask遷移を支援する。 - WAM内ではMixture-of-Transformer Expertsがmodality-specific計算とshared計算を統合し、video–action joint modelingを行う。 - Dual-stream hierarchical visual memoryが両モデルのtemporal contextを保持。 - subtask-local value learningにより行動評価をsemantic objectiveに整合させ、失敗trajectoryの成功prefixからのsupervisionを保持する。

- RoboTwinの50タスクで平均94.21%成功を報告。 - WAM backboneをOpenWAM-$alpha$に置換し、平均95.56%成功でopen-source state of the artを達成。 - 2BパラメータのVLMがEmbodied-R1.5やGPT-5.5 Highを用いるvariantを上回ることを示す。 - 実ロボットのlong-horizon 3タスクで平均65%成功を報告し、$pi_{0.5}$の28.33%、Fast-WAMの25%と比較。

- 要旨からは不明。 - 明示されているのは、language reasoningとworld-action modelingの統合、subtask-local value learning、非同期な実行status評価の有効性。 - 限界や失敗要因、計算コスト、実ロボット評価の詳細な議論は要旨からは不明。

- OpenWAM-$alpha$(WAM backboneとして比較・置換)。 - Embodied-R1.5(VLM variantとして比較)。 - GPT-5.5 High(VLM variantとして比較)。 - $pi_{0.5}$(実ロボットlong-horizonタスクの比較対象)。 - Fast-WAM(実ロボットlong-horizonタスクの比較対象)。 - RoboTwin(評価benchmark)。