OmniBrain-0: 身体性知能のための統合エージェントモデル

- OmniBrain-0 は manipulation と navigation を単一の high-level decision model で統括する軽量な unified embodied agent。 - task understanding、planning、progress tracking、feedback-driven recovery を統合する。 - 長い horizon での多技能調整、進捗追跡、失敗からの回復を狙う。 - 学習は embodied pretraining、domain-specialized agent distillation、multi-teacher on-policy distillation (MOPD) を段階的に組み合わせる。

- 単独の specialist policy では task-level reliability を担保できない点を出発点とする。 - 強力な multimodal agent は costly reasoning と external experience に依存し、compact model での再現が難しいと指摘。 - 提案法は統合を tool interface 上ではなく学習された decision model 内で実現する点を特徴とする。 - closed-source teacher より inference と execution の overhead を大幅に低減しつつ cross-domain 性能を両立。

- 共有 high-level decision model が manipulation と navigation を統括する構成。 - progressive training: embodied pretraining → domain-specialized agent distillation → MOPD。 - MOPD で teacher の interaction experience を manipulation/navigation expert に蒸留し、その decision 能力を OmniBrain-0 に統合。 - Rubric-Guided Recursive Self-Improvement (RSI): Meta-Agent が execution evidence を refined rubrics、step-level reminders、verified trajectories に変換し、domain-expert 更新後に MOPD で再統合する data flywheel。

- LIBERO-Pro、LIBERO-Plus、RoboCasa365、RoboTwin 2.0、R2R-CE Val-Unseen で評価。 - 複数の real-world manipulation tasks でも評価。 - cross-domain task performance と inference/execution overhead の低減を closed-source teacher と比較して示す。 - 具体的な数値や被験者数は要旨からは不明。

- unification を learned decision model 内で行う設計の有効性と限界は要旨からは不明。 - RSI の data flywheel が性能向上に寄与する度合いや収束性は要旨からは不明。 - teacher 依存の distillation が compact model の汎化や failure recovery に与える影響は要旨からは不明。 - real-world 評価の規模・多様性・安全性に関する議論は要旨からは不明。

- multi-teacher on-policy distillation (MOPD) の原論文・関連手法。 - LIBERO-Pro、LIBERO-Plus、RoboCasa365、RoboTwin 2.0、R2R-CE の各 benchmark 論文。 - embodied agent の distillation や on-policy distillation に関する研究。 - rubric-guided self-improvement / data flywheel 関連の LLM agent 研究。