著者らは11月13日(現地時間)、オープンウェイトの27B推論モデルを、シミュレーション環境での強化学習のみによって実ロボットをネイティブに操作できるよう訓練することに成功したと発表した。この成果は、これまでGPT-6 AstraやClaude Fable 5.2といったプロプライエタリなフロンティアモデルに限られていた高いロボット制御性能を、オープンウェイトモデルで達成する可能性を示すものとみられている。
汎用ロボット制御への有望なアプローチとして、ロボット使用エージェント (Robot-use agents, RUAs)が登場している。しかし、これまで高い性能を発揮していたのは、GPT-6 AstraやClaude Fable 5.2などのプロプライエタリなフロンティアモデルであり、オープンウェイトモデルはその能力において劣っていた。
著者らは、この課題に対し、Post-training Engine for Agentic Robotics (PEAR)を開発した。これを用いて、シミュレーションされたロボットタスクで大規模なロボット使用強化学習 (robot-use reinforcement learning, RURL)を実施し、オープンウェイトの27B推論モデルを訓練した。このモデルは、computer-use agent (CUA)と同様に環境を観察し、思考の連鎖を通じて推論し、次のエンドエフェクターのポーズを生成する。
LIBEROとRoboDojoを用いたシミュレーション訓練後、このモデルは実世界のデュアルアームロボットでの試行において60%の成功率を記録した。これは、ベースモデルが全く成功しなかったことと対照的である。特にLIBEROでは、訓練によって成功率が1.6%から74.4%へと大幅に向上し、最大の推論努力時にはGPT-6 AstraやGPT-6.1 Solに匹敵するレベルに達した。また、デモンストレーションでファインチューニングされたvision-language-actionモデルである$\pi_{0.5}$と比較しても、タスク自体の変更に対する堅牢性が高かった。LIBERO-Proでのテストでは、モデルが9つの推論、コーディング、およびビジョンベンチマークで測定可能な劣化なしに一般的な能力を保持していることも確認された。これらの結果は、ロボット使用強化学習が基盤モデルのポストトレーニングにおける有望な要素であることを示唆している。
参考: arXiv cs.RO (アーカイブ) — 2026年11月14日 03:59 (JST)