ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models
Abstractの概要
本論文は、視覚的グラウンディングデータのスケーリングが身体的物理基盤モデルに必要な空間認識能力を強化できるかを調査しています。著者らは、ロボット操作の記録、主観視点のインタラクションデータ、その他の視覚的グラウンディングソースを、自動アノテーションされたロボットシーンを含む検証可能な質問応答（QA）形式の教師データへと変換する統合パイプラインを構築しました。このパイプラインを用いて約150万サンプルでQwen3.5-9Bをファインチューニングし、ACE-Brain-0.6を構築しています。評価では公開グラウンディングベンチマークおよび未知のロボットシーンベンチマークに焦点を当て、教師データの量とカバレッジが増加するにつれて性能がどのように変化するかについての分析も行っています。
新規性
際立った貢献は、身体的空間グラウンディングに対するデータ中心のアプローチであり、ロボットの記録を自動アノテーションして異種視覚ソースを共通の検証可能なグラウンディング形式に統合する単一のパイプラインにあります。また、モデルと学習設定を固定することで、教師データの規模とカバレッジの効果を切り分けた制御されたスケーリング分析を強調しています。
成果
ACE-Brain-0.6は7つの公開グラウンディングベンチマーク全体で平均75.41を達成し、GPT-6 Astraの73.68を上回るとともに、7つのベンチマーク中4つでAstraを凌駕しました。著者らによるRobotGroundingベンチマークでは、Astraの91.10に対してACE-Brain-0.6は93.42に達しました。データリリースの変遷全体において、テストされた範囲内でサンプル数に伴い性能がほぼ対数線形に向上しており、既存ソースからサンプルを単に追加するよりも教師データのカバレッジを広げることの方が性能向上に寄与することが示されています。
論文の注目点
- 学習パイプラインは30以上のロボットデータセット群を主観視点、物体中心、空間データと統合し、検証可能なグラウンディングQA教師データへと変換します。
- 約154万サンプルでQwen3.5-9Bをファインチューニングすることで、ベースモデルから大幅な利得を得るとともに、グラウンディングタスクにおいて商用クローズドモデルに匹敵する性能を達成しました。
- スケーリング調査により、グラウンディング性能の向上には既存のデータソースからの反復よりも、グラウンディング教師データの多様性とカバレッジを拡大することの方が重要であることが示されています。