日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2610.17540

TacitVLA: 推論レイテンシなしで動作する推論型Vision-Language-Actionモデル

TacitVLA: Reasoning Vision-Language-Action Models Without Reasoning Latency

シェア:XThreadsFacebookLINEはてブBluesky

推論テキストを行動生成に条件付けず、バックボーン表現の改善のみに活用することで、推論の性能向上を保ちつつ最大3.4倍低レイテンシを実現したVLAモデル。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルにおいて、行動前にテキスト推論を行うと遅延が生じる問題に対処 - 推論テキストを行動の条件付けに使わなくても、推論による教師信号がバックボーン表現を改善することを示す - TacitVLA を提案:行動エキスパートが現在の呼び出しで生成した推論に注意を向けない reasoning VLA - 長期的タスクでは推論テキストをエピソード記憶として利用し、行動実行中に各エントリを生成可能 - 操作と自動運転の4ベンチマーク(RoboMME, RMBench, LIBERO, PhysicalAI-AV)で評価

2. 先行研究と比べてどこがすごい?

- 従来の reasoning VLA は行動前に自己回帰デコーディングで推論テキストを生成し、そのテキストに条件付けられた行動が待機するため遅延が大きい - TacitVLA は行動エキスパートが推論に注意を向けないため、推論生成を待たずに行動可能 - 明示的推論 counterpart と同等性能を最大3.4倍低遅延で達成 - 推論なしで訓練した同一アーキテクチャと同等遅延で、成功率を最大+17.1%向上 - RoboMME Counting suite で82.7%(従来最高66.8%)、RMBench で77.5%(従来最高56.5%)を達成 - LIBERO-Plus で72.9%、PhysicalAI-AV closed-loop driving challenge 公開 split で scene score 52.5%

3. 技術・手法の肝は?

- 推論監督がバックボーン表現を改善するため、行動は生成された推論に条件付けたり待機したりする必要がないという知見 - TacitVLA の行動エキスパートは、現在の呼び出しで生成された推論に attention しない - 長期的タスクでは推論テキストがエピソード記憶として機能し、行動実行中に各エントリを生成 - これにより推論の遅延を行動から隠蔽 - 詳細なアーキテクチャや訓練手順は要旨からは不明

4. どうやって有効だと検証した?

- 4つのベンチマーク(RoboMME, RMBench, LIBERO, PhysicalAI-AV)で制御された比較研究を実施 - 操作と自動運転、記憶タスクと非記憶タスクを網羅 - 明示的推論 counterpart と比較し、最大3.4倍低遅延で同等性能を確認 - 推論なしで訓練した同一アーキテクチャと比較し、同等遅延で最大+17.1%の成功率向上を確認 - 絶対性能でも RoboMME Counting suite で82.7% vs 66.8%、RMBench で77.5% vs 56.5% と従来最高を上回る - LIBERO-Plus で72.9%、PhysicalAI-AV 公開 split で scene score 52.5%

5. 議論はある?

- 推論テキストを行動の条件付けに使わなくても、推論監督がバックボーン表現を改善するという主張が中心 - 長期的タスクでは推論テキストをエピソード記憶として利用する点が議論の対象 - 遅延と性能のトレードオフに関する制御された比較結果を提示 - 限界や失敗ケース、一般化可能性に関する議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:明示的推論 VLA(explicit-reasoning counterpart)、推論なしで訓練した同一アーキテクチャ - ベンチマーク:RoboMME, RMBench, LIBERO, PhysicalAI-AV - 関連手法:Vision-Language-Action (VLA) モデル、reasoning VLA、autoregressive decoding - 同分野の定番:RT-2, OpenVLA, π0 など(要旨では明示されていないが一般名として)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jack Lu, Yurong You, Boyi Li, Yulong Cao, Thomas Tian, Chaowei Xiao, Xiangyu Chen, Wenjie Luo, Boris Ivanovic, Marco Pavone, Yan Wang

分類: cs.AI, cs.RO

原文アブストラクト

Textual reasoning before acting has improved vision-language-action (VLA) models, but at the cost of latency: every action conditioned on the reasoning text must wait for autoregressive decoding. We show that actions do not need to wait for or condition on the generated reasoning to benefit from it, because the reasoning supervision already improves the backbone representation. We introduce TacitVLA, a reasoning VLA whose action expert never attends to the reasoning it generates for the current call. On long-horizon tasks where the reasoning text also serves as episodic memory, it can generate each entry during action execution rather than before acting. We evaluate it in a controlled study on four benchmarks spanning manipulation and autonomous driving, memory and non-memory tasks: RoboMME, RMBench, LIBERO, and PhysicalAI-AV. On all four, TacitVLA matches the performance of its explicit-reasoning counterpart at up to 3.4x lower latency, and matches the latency of the same architecture trained without reasoning at up to +17.1% success. In absolute terms, it surpasses the best previously published results on the RoboMME Counting suite (82.7% vs. 66.8%) and RMBench (77.5% vs. 56.5%), and reaches 72.9% on LIBERO-Plus and a 52.5% scene score on the public split of the PhysicalAI-AV closed-loop driving challenge. Project page: https://tacitvla.github.io.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI