論文の概要: RouterVLA: Turning Smoke Tests into Supervision for Heterogeneous VLA Selection
- arxiv url: http://arxiv.org/abs/2606.27355v1
- Date: Thu, 25 Jun 2026 17:56:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.39547
- Title: RouterVLA: Turning Smoke Tests into Supervision for Heterogeneous VLA Selection
- Title（参考訳）: RouterVLA:スモークテストを不均一なVLA選択のためのスーパービジョンに変える
- Abstract要約: 政策選択を監督するために、事前配備評価ロールアウトを再利用できるかどうかを検討する。
政策選択を監督するために,事前配備評価ロールアウトを再利用できることが判明した。
- 参考スコア（独自算出の注目度）: 5.188057876794867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study whether pre-deployment evaluation rollouts can be reused to supervise policy selection. Robot teams routinely smoke test candidate vision-language-action (VLA) policies, then compress those trials into a global winner. RouterVLA evaluates this idea with outcome-disjoint cross-fitting: recorded probes build a profile for each frozen expert, and a separate trial scores the selected expert without entering its profile. Across 34,752 LIBERO-Plus rollout records, a transparent probe-success rule raises held-out success from 0.4686 to 0.6149, a +14.64pp gain. Under the scalar-only profiles studied here, learned scorers are statistically indistinguishable from this rule, showing that commissioning carries the routing value while extra scalar scorer capacity does not create it. Reusing the scored trial inflates the measured gain by $1.87\times$, so credible ledger routing needs outcome separation; model scaling improves individual policies, while commissioning-aware routing improves the system built from them.
- Abstract（参考訳）: 政策選択を監督するために、事前配備評価ロールアウトを再利用できるかどうかを検討する。
ロボットチームは、定期的にテスト候補の視覚言語アクション(VLA)ポリシーを吸って、そのトライアルを世界的勝者に圧縮する。
RouterVLAは、このアイデアを結果不一致のクロスフィッティングで評価する: 記録されたプローブは、凍結した専門家ごとにプロファイルを構築し、別のトライアルは、そのプロファイルに入ることなく、選択した専門家にスコアを付ける。
34,752回のLIBERO-Plusのロールアウト記録では、透明なプローブ・サクセス法が0.4686から0.6149に成功し、+14.64ppで上昇した。
ここでは、スカラーのみのプロファイルの下で、学習したスコアラーは、この規則と統計的に区別できない。
評価された試行の再利用は、測定した利益を1.87\times$に膨らませるため、信頼できる台帳ルーティングには結果の分離が必要である。
関連論文リスト
- On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。
そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。
SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
論文 参考訳（メタデータ） (2026-08-25T14:55:24Z) - Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。
我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。
オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
論文 参考訳（メタデータ） (2026-08-23T03:07:03Z) - Reuse Before You Retrieve: Diagnosing Headroom and Complementarity for Test-Time Augmentation of Embodied Multimodal Policies [56.86456077356948]
凍結言語アクション(VLA)ポリシーは、テスト時に徐々に改善されている。
追加のサンプリングは、ポリシーのロールアウト内により優れた振る舞いが存在する場合にのみ有効である。
検索は、関連するアクションがポリシーによって確実に表現されない場合に最も有用である。
論文 参考訳（メタデータ） (2026-08-18T08:11:31Z) - When Does Learning to Stop Help? A Cost-Aware Study of Early Exits in Reasoning Models [4.8190992438931035]
LearnStopは、プレフィックスオブザーバブルな機能の上に隠された状態のないロジスティックストッパーである。
学習は、答えが振動し、正しさの証拠が広がる場所を給与する。
コスト計算は、KVキャッシュでトークンを32%節約するのと同じ方針で、ブラックボックスの繰り返しプリフィルで121%余分なコストがかかる。
論文 参考訳（メタデータ） (2026-06-29T19:33:42Z) - TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。
本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。
技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
論文 参考訳（メタデータ） (2026-06-09T17:16:03Z) - ARBOR: Online Process Rewards via a Reusable Rubric Buffer for Search Agents [48.80766702702854]
LLMベースの検索エージェントは、主に結果のみの報酬で訓練され、検索プロセス自体は監督されていない。
この信号は、全てのサンプル軌跡が同じ正当性を共有する結果同質な群に対して退化し、群内の優位性はゼロとなり、勾配は得られない。
ARBOR(Adaptive Buffer for Online Reward)は,クエリ間で共有されるルーリックメモリを維持する再利用可能なプロセス・リワードフレームワークである。
論文 参考訳（メタデータ） (2026-06-02T06:58:54Z) - What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある
SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。
SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
論文 参考訳（メタデータ） (2026-06-01T03:18:01Z) - What Frozen VLAs Already Know About Success: A Probing Study of Value-Like Structure in Foundation Robot Policies [36.91260665881213]
ビジョン・ランゲージ・アクション(VLA)ポリシーは、アクションを模倣するように訓練されている。
凍結特性の軽量線形プローブを用いてモンテカルロの結果目標を復元する。
ゲインは普遍的ではなく、追加の推論計算を必要とするが、基礎となる発見はクリーンである。
論文 参考訳（メタデータ） (2026-05-27T14:23:29Z) - RECTOR: Priority-Aware Rule-Based Reranking for Compliance-Aware Autonomous Driving Trajectory Selection [0.8363171780853939]
本稿は、テキストスクリプタ(Rule-Enforced Constrained Trajectory Orchestrator)について紹介する。
選択可能なプロキシとシーン条件の適用性メカニズムを通じて、タイアップされたルールブックに対して候補をスコアする。
決定論的な$varepsilon$-lexicographicルールで選択する。
論文 参考訳（メタデータ） (2026-05-24T14:17:00Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - Auto Research with Specialist Agents Develops Effective and Non-Trivial Training Recipes [24.516406575400016]
外部測定により駆動される閉じた経験ループとしての自動車研究について検討する。
提出された各トライアルには、仮説、実行可能なコード編集、評価者が所有する結果、次の提案を形作るフィードバックが含まれる。
このループを、レシピの表面を分割し、試行錯誤で測定された系統を共有する専門エージェントでインスタンス化する。
論文 参考訳（メタデータ） (2026-05-07T06:13:43Z) - Conservative Offline Robot Policy Learning via Posterior-Transition Reweighting [36.23660195981511]
PTR(Posterior-Transition Reweighting)は、報酬のない、保守的なポストトレーニング手法である。
各トレーニングサンプルが管理された更新にどの程度影響するかを決定する。
PTRは、各サンプルの反応後の結果が現在の表現の下にあるかに応じてクレジットを再配置する。
論文 参考訳（メタデータ） (2026-03-17T14:05:35Z) - Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。
次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。
ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
論文 参考訳（メタデータ） (2025-09-29T12:15:52Z)
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。