論文の概要: Vesta: A Generalist Embodied Reasoning Model

• arxiv url: http://arxiv.org/abs/2606.20905v1
• Date: Thu, 18 Jun 2026 20:01:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:04:33.607888
• Title: Vesta: A Generalist Embodied Reasoning Model
• Title（参考訳）: Vesta: 汎用的な推論モデル
• Authors: Johan Bjorck, Zhiqi Li, Yunze Man, Jing Wang, An-Chieh Cheng, Sifei Liu, Shihao Wang, Zhiding Yu, Abhishek Badki, Stan Birchfield, Valts Blukis, Yevgen Chebotar, Siyi Chen, Sicong Leng, Yu-Cheng Chou, Tianli Ding, Boyi Li, Zhengyi Luo, Hang Su, Jonathan Tremblay, Tingwu Wang, Bowen Wen, Jimmy Wu, Xianghui Xie, Hanrong Ye, Hongxu Yin, K. R. Zentner, Liangyan Gui, Yu-Xiong Wang, Yuke Zhu, Linxi "Jim" Fan, Jan Kautz,
• Abstract要約: 一つの基礎モデルに機能を統合する統一的なエンボディ・ジェネリストであるVestaを紹介します。 提案手法は,空間的接地と単純なマルチモーダルメモリハーネスを誘導する多種多様で大規模なコーパスを組み合わせたものである。 私たちの研究は、ひとつのジェネラリストがスペシャリストを組み合わせるよりも、実現可能で、スケーラブルで、間違いなく好都合な選択肢であることを実証しています。
• 参考スコア（独自算出の注目度）: 149.6473783208929
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robots operating in open-world environments must seamlessly integrate localization, spatial reasoning, navigation, and long-horizon planning. While specialist models excel at individual tasks, deploying a multi-model stack is computationally expensive and prone to cascading errors. We present Vesta, a unified embodied generalist that consolidates these capabilities into a single foundation model. Our approach combines a diverse and massive curated corpus designed to induce spatial grounding and a simple multimodal memory harness that enables reasoning over extended time horizons. Across diverse benchmarks, Vesta on average beats individual SOTA baselines by >$20\%$ and beats an ensemble of per-category-best baselines by $>10\%$ -- thus demonstrating that a generalist model can match or exceed specialists. On real-world robotic tasks requiring memory and reasoning, Vesta improves task success by >35\%. Our work thus demonstrates that a single generalist is a feasible, scalable, and arguably preferable alternative to combining specialists.
• Abstract（参考訳）: オープンワールド環境で動作するロボットは、局所化、空間推論、ナビゲーション、長期計画をシームレスに統合する必要がある。 専門的なモデルは個々のタスクで優れているが、マルチモデルスタックのデプロイは計算コストが高く、エラーをカスケードする傾向がある。 私たちはこれらの能力を単一の基礎モデルに統合する統一的なエンボディ・ジェネリストであるVestaを紹介します。 提案手法は,空間的接地を誘導する多種多様なキュレートコーパスと,時間的地平線上の推論を可能にするシンプルなマルチモーダルメモリハーネスを組み合わせたものである。 さまざまなベンチマークにおいて、平均的なVestaは個々のSOTAベースラインを20 %以上上回り、カテゴリごとのベストベースラインのアンサンブルを10 %以上上回ります。 メモリと推論を必要とする現実世界のロボットタスクでは、Vestaはタスクの成功を35\%改善する。 私たちの研究は、ひとつのジェネラリストがスペシャリストを組み合わせるよりも、実現可能で、スケーラブルで、間違いなく好都合な選択肢であることを実証しています。

関連論文リスト

• AFUN: Towards an Affordance Foundation Model for Functionality Understanding [12.890216832485647]
  我々は,機能理解のための手頃な基礎モデルに向けたステップとして,我々のモデルを提示する。 我々は、異種ロボット、人間、シミュレーション、現実世界のスキャンデータを共有価格スキーマに変換する大規模な標準化データパイプラインを構築します。 私たちのモデルは、4つのベンチマークから8つのテストセットにまたがる大きなマージンで、すべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T17:50:16Z)
• FORMICA: Decision-Focused Learning for Communication-Free Multi-Robot Task Allocation [0.802904964931021]
  ロボット間通信を使わずに高品質なタスクアロケーションを実現する学習ベースのフレームワークを提案する。 提案手法は,解析的平均場近似における系統的誤差を補正するために入札分布を推定する。 我々は予測器をエンドツーエンドに訓練し、予測エラーよりもタスク割り当てレグレを最小化する。
  論文  参考訳（メタデータ） (2026-02-20T21:26:46Z)
• VAMOS: A Hierarchical Vision-Language-Action Model for Capability-Modulated and Steerable Navigation [16.279434375658457]
  VAMOSは階層的なVLAで、セマンティックプランニングを実施基盤から切り離す。 室内および複雑な屋外ナビゲーションにおいて,VAMOSは高い成功率を達成することを示す。 このモデルはシングルロボットの信頼性を著しく向上させ、物理的に不可能な計画を拒否して3倍の成功率を達成する。
  論文  参考訳（メタデータ） (2025-10-23T17:59:45Z)
• BoRA: Bayesian Hierarchical Low-Rank Adaption for Multi-Task Large Language Models [0.0]
  本稿では,マルチタスク大言語モデル(LLM)を微調整する新しい手法であるベイジアン階層型低ランク適応(BoRA)を紹介する。 BoRAは、グローバルな階層的事前を通じてタスクが情報を共有できるベイズ階層モデルを活用することでトレードオフに対処する。 実験の結果,BoRAは個々のモデルアプローチと統一モデルアプローチの両方に優れており,より難易度が低く,タスク間の一般化性が向上していることがわかった。
  論文  参考訳（メタデータ） (2024-07-08T06:38:50Z)
• XTrack: Multimodal Training Boosts RGB-X Video Object Trackers [88.72203975896558]
  マルチモーダルセンシングから得られる知識を効果的に共有することが重要である。 異なるモダリティにまたがる類似のサンプルは、他のものよりも多くの知識を共有できる。 提案手法は,現在のSOTAよりも平均+3%精度が向上したRGB-Xトラッカーである。
  論文  参考訳（メタデータ） (2024-05-28T03:00:58Z)
• Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
  インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。 提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。 デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
  論文  参考訳（メタデータ） (2023-06-09T07:22:12Z)
• Model Ratatouille: Recycling Diverse Models for Out-of-Distribution Generalization [99.6826401545377]
  ファウンデーションモデルは、AIシステムの構築方法を再定義している。実践者は、機械学習ソリューションを構築するための標準手順に従う。 我々は,多種多様な補助的タスクにおいて,同じ基礎モデルの複数の微調整をリサイクルする新しい戦略であるモデルラタトゥーイユを提案する。
  論文  参考訳（メタデータ） (2022-12-20T17:21:46Z)
• OFASys: A Multi-Modal Multi-Task Learning System for Building Generalist Models [72.8156832931841]
  ジェネリストモデルは、単一のモデル内でタスクに依存しない方法で多様なマルチモーダルタスクを実行することができる。 マルチモーダル命令と呼ばれる宣言型タスクインタフェース上に構築された汎用モデル学習システムOFASysをリリースする。
  論文  参考訳（メタデータ） (2022-12-08T17:07:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。