ミンシュアン・ヤン (Mingxuan Yan) 氏らは2026年10月13日(現地時間)、視覚言語行動 (VLA: vision-language-action) モデルの事前学習において、デモンストレーション品質をどのように活用すべきかに関する実証研究と、新たなベンチマーク「AXIS-Bench (アクシス・ベンチ)」を発表した。本研究は、事前学習後のターゲットタスクにおけるファインチューニング性能向上を目指し、重み付け、フィルタリング、条件付けの手法を比較した。実世界実験では、シミュレーション事前学習により成功率が9.6%から31.7%に向上した。
ヤン氏とリティアン・ゴン (Litian Gong) 氏、ディホン・ファン (Dihong Huang) 氏、ジーシュウ・リー (Zhixu Li) 氏、ティアンユ・ジャン (Tianyu Zhang) 氏を含む22名の研究者によるこの研究は、5,000件の人間によるデモンストレーションと24のターゲットタスクを用いて、報酬定義とラベル粒度全体で手法を比較検証した。
VLAモデル間ではデモンストレーションとトレーニング予算を一致させ、事前学習データのサイズやファインチューニング、推論における品質タグの役割についても追加で比較検討した結果、アプローチ認識型エピソード条件付けが、通常の行動クローニングと比較して平均成功率を向上させることが判明した。また、条件付けとフィルタリングは、モデル依存の逆転があるものの、平均的にはそれぞれエピソードとチャンクラベルを好む傾向が見られた。さらに、条件付けされた事前学習後には、定数タグを用いたファインチューニングが、タグ付きまたはタグなし推論のいずれにおいても平均成功率を改善した。
これらの比較をサポートするために導入されたAXIS-Benchは、クラウドソーシングによるシミュレーションデモンストレーションに基づき構築されている。これは、共有された軌跡上で品質ラベルを再計算するために記録されたオブジェクトと接触状態を提供し、再現可能な軌跡はワークスペースに合わせたレンダリングと、ユーザー定義の実世界ターゲットタスクをサポートする。
参考: arXiv cs.RO — 2026年10月14日 02:59 (JST)
原文ハイライト"approach-aware episode conditioning improves mean success over plain behavioral cloning"