Marius Memmel氏ら研究者グループは2026年11月2日(現地時間)、視覚言語モデル（VLMs）が抱えるゼロショット動画タスク進捗推定における確認バイアスや失敗実行時の進捗の錯覚といった課題を克服するため、「D&A (Describe & Assess)」と呼ぶ新たな手法をarXiv cs.ROに発表した。
この「D&A」手法は、タスク進捗推定を客観的なシーンダイナミクスのテキスト記述と、明示的なルーブリックを用いた評価フェーズに分離するものです。これにより、VLMに絶対的な成功のテキスト定義を合成させ、評価を動画の内部タイムラインではなく、外部のグローバルな基準に固定します。
既存のフレームワークでは、暗黙的な成功の仮定や相対的な時間的順序付け設計により、失敗した実行でも進捗を錯覚する確認バイアスに頻繁に悩まされていました。フロンティアモデルへの単純なプロンプトは、微妙な非線形進捗や失敗を捉えられない二値の成功検出器に陥ります。後訓練 (post-training) アプローチは明示的な訓練によってこれを軽減できますが、高価な実世界のロボットデータと、個々の基盤モデルごとの計算集約的な後訓練が必要です。
実証結果によると、D&A手法はゼロショット推定を較正し、確認バイアスを緩和します。失敗した実行を正確にペナルティを与え、成功した実行を正しく補間するきめ細かい部分的な進捗指標を提供します。純粋にプロンプトベースであるため、D&Aはタスク、エンボディメント、ベンチマークを超えて一般化し、後訓練された報酬モデルに匹敵またはそれを上回る性能を示し、効率的な下流の強化学習を可能にします。
参考: arXiv cs.RO (アーカイブ) — 2026年11月3日 03:52 (JST)
原文ハイライト"decouples progress estimation into an objective, task-grounded textual description of scene dynamics"