UniWALM（ユニウォーム）は10月20日(現地時間)、ロボット制御のための統一された世界行動言語モデルとして公開された。人間が言語、知覚、行動の経験を統合する能力に着想を得ており、動画、行動、言語を単一の共有表現で学習する。各モダリティは条件信号と教師目標の両方として機能し、言語を共同生成することで、操作性の向上や記憶依存行動のサポートを目指す。
UniWALMは、推論または視覚言語モデルを動画・行動バックボーンに付加し、別々の段階として実行する既存のアプローチとは異なる。三つのモダリティを単一のトランスフォーマー混合バックボーン内に統合し、モダリティごとの拡散ヘッドが同期的に共同ノイズ除去を行うことで、行動と同時にサブタスクやテキスト記憶を復号する。これにより、独立した計画段階が不要となる。
生成された言語は次のステップで再利用され、外部のプランナーや記憶バンクなしで「言語を記憶として利用する」ループが完結する。さらに、信頼性の高い行動ストリームを維持するため、「FMC（エフエムシー）」と呼ばれる訓練目的が導入されている。FMCは、推論時のコストなしに、摂動を受けた行動軌道からの回復を学習させるものである。
UniWALMは、複合的なピックアンドプレースタスクを扱うMolmoSpaces（モルモスペース）において、同一バックボーンのベースライン（例：FastWAM（ファストワム））を一貫して上回る性能を示した。また、RMBench（アールエムベンチ）の記憶依存サブセットにおいては、事前学習済み言語モデルや推論モデルなしで34.5%の成功率を達成した。これは、キーフレームを備えたMem-0（メムゼロ）の28.5%を、単一のアンカーフレームで上回る結果となった。
実世界でのFind-the-Itemタスクでは、テキスト記憶の生成により成功率が11.1%から61.1%に向上した。これに対し、最先端のVLA（ブイエルエー）の成功率は33.3%以下だった。
参考: arXiv cs.RO (アーカイブ) — 2026年10月21日 02:59 (JST)
原文ハイライト"Unified World Action Language Model for Embodied Robot Control"