TL;DR
ScaleVLAは、552BのMoE VLM(DeepSeek-V4.1-Flash-1017)を凍結し、学習可能な行動DiTで連続行動チャンクを生成するロボット基盤モデルです。2B〜552Bを同一の行動ヘッド・デモ・最適化予算で比較し、10デモで87.8%(2Bの50デモ85.6%超)、LIBERO-PRO平均45.1%、実機充電器挿入9/10を報告しています。4基H200で216ms中央値/チャンクと実用的な遅延を示す一方、ハードウェアコストと評価範囲の限定には注意が必要です。
既存手法との違い
比較の中心は、行動ヘッド(GR00T N1.7系の行動DiT)・初期化・ロボットデモ・最適化予算を固定し、VLMバックボーンだけを2B〜552Bで変える点です。2BはCosmos-Reason2-2B(GR00T N1.7の主参照)とQwen3-VL-2B、8BはCosmos-Reason2-8B、32BはQwen3-VL-32B/Cosmos-Reason2-32B、提案は552B MoEのDeepSeek-V4.1-Flash-1017です。比較では事前学習済みロボット行動エキスパートを読み込みません。結果としてLIBERO Goalで10デモ87.8%(2Bの50デモ85.6%を上回る)、LIBERO-PRO平均45.1%(小さいバックボーンは最大31.3%)、実機充電器挿入9/10(2Bは4/10)を報告しています。LIBERO、RoboCasa、DexJoCoでも平均成功率が最も高いです。GPT-6 Astraは動機付けの言及で、同一条件の比較対象ではありません。
使える条件
カメラ画像・言語指示・ロボット状態から連続行動チャンクを出す模倣学習型VLAです。VLMは凍結し、特徴アダプタ・状態/行動エンコーダ・行動DiT・行動デコーダをロボットデモで学習します。学習時はバックボーン特徴を事前計算して再利用します。推論は因果エンコーダの特徴のみを使い、自己回帰的なテキスト生成をしません。評価はLIBERO、LIBERO-PRO、RoboCasa、DexJoCo、実機の両腕充電器挿入です。216ms中央値/行動チャンクは4基のH200で測定されています。LIBEROは16ステップチャンクで8コマンド実行後に再計画し、DexJoCoは30ステップチャンクです。他ロボット・他言語・長期タスクへの適用条件は提示本文からは確認できません。
限界と未検証の範囲
評価は提示されたベンチマークと実機1種のタスクに限定され、一般のロボット作業への広範な一般化は未確認です。LIBERO-PROのObject環境摂動は全バックボーンで難しく、最良32.4%に対しScaleVLAは31.2%で同等です。実機は充電器挿入の10試行で、接触を伴う整列・挿入の改善を示しますが、他の精密作業は未検証です。216ms中央値でも4基H200が必要で、小さいバックボーンよりハードウェアコストが高いと述べられています。実機ではチャンクあたり遅延が最大でも、成功試行の中央時間は114.4sでπ0.5+Action Headの132.0sより13%短いと報告されますが、これは特定タスクの結果です。テキスト推論を毎ステップ行わないため、明示的推論が必要なタスクでの性能は提示本文からは確認できません。
図1: 提案手法の概要(本記事による図解)
解説

ねえ智也くん、ScaleVLAって論文見た?552BのVLMをロボットに使うってやつ。

見た。VLMのバックボーンを巨大化しても、行動ヘッドを同じ条件で比べたのがポイントだな。

なんで今まで大きいVLMをロボットで使わなかったの?

多くのVLAは2Bくらいの小さいバックボーンが主流だった。GPT-6 AstraみたいなフロンティアVLMは物理制御の可能性を示したけど、学習済みポリシーの土台としてはまだ試されてなかった。

なるほど。大きい知識を使えばデモが少なくても動けるかもって発想か。

そう。ScaleVLAは552BのDeepSeek-V4.1-Flashを凍結して、行動DiTだけ学習する。画像と言語をVLMで符号化して、ロボット状態と一緒に連続行動チャンクへ変換する。

552Bを凍結って、めちゃくちゃ重そう。毎回テキストで考えてるの?

そこは違う。因果エンコーダの特徴だけ読んで、自己回帰のテキスト生成はしない。行動ヘッドはフローマッチングで4ステップ生成。バックボーンはチャンクごとに1回だけ走る。

賢い。で、比較はどうやったの?

行動ヘッドの構造・初期化・デモ・最適化予算を固定して、VLMだけ2Bから552Bまで変えた。2BはCosmos-Reason2-2BとQwen3-VL-2B、8BはCosmos-Reason2-8B、32BはQwen3-VL-32BとCosmos-Reason2-32B、提案が552B MoEだな。事前学習済みのロボット行動エキスパートは読み込まない。

条件そろえてるなら、差はバックボーンの表現力って見やすいね。結果は?

LIBERO Goalで10デモ87.8%。2Bの50デモ85.6%を上回る。LIBERO-PRO平均は45.1%で、小さいバックボーンは最大31.3%。実機の両腕充電器挿入は9/10で、2Bは4/10。

10デモで50デモ超えはインパクトある。充電器挿入も接触の整列が難しいって話?

そう。改善は届く・掴むより、接触を伴う整列と挿入に集中してる。ロボットデモが少ない、環境が変わる、細かい協調が要る場面で効くって主張だな。

便利そう。遅延は大丈夫なの?552Bだし。

4基のH200で216ms中央値/行動チャンク。サブ秒で動くとは言ってる。ただし小さいバックボーンよりハードウェアコストは高い。

そこは注意だね。あと評価の限界は?

評価はLIBERO、LIBERO-PRO、RoboCasa、DexJoCo、実機1種の充電器挿入に限られる。一般のロボット作業への広い一般化は未確認。LIBERO-PROのObject環境摂動は全バックボーンで難しくて、最良32.4%に対してScaleVLAは31.2%で同等。

実機も10試行だけだし、他の精密作業はまだ見えてないってことか。

そう。あと毎ステップ明示的にテキスト推論しないから、推論が必要なタスクでの性能は提示本文からは確認できない。他ロボット、他言語、長期タスクも同じ。

でも「大きいVLMは高レベル推論だけじゃなく、行動の表現基盤にもなる」って方向は面白いね。

ああ。デモ効率、分布外への汎化、接触を伴う操作をまとめて改善できる可能性を示したのが意義だな。

亜美は挿す前に充電器の場所を忘れるだろ。
