論文の概要: CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding

• arxiv url: http://arxiv.org/abs/2607.08974v1
• Date: Thu, 09 Jul 2026 22:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 16:48:13.420373
• Title: CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding
• Title（参考訳）: CLAP:Language-Action Groundingによる直接VLM-to-VLA適応
• Abstract要約: CLAP(Causal Language-Action Prediction)は、自然言語アクション記述で各数値アクションシーケンスをプリペイドする。 CLAP は 0.8B, 2B, 4B で,単一の VLM 系統からオープンウェイトでマルチスケールのコンパクト VLA ファミリとしてリリースする。
• 参考スコア（独自算出の注目度）: 16.03159066719039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action models (VLAs) inherit semantic capabilities from pretrained VLMs, yet large-scale post-training on robot data and architectural modifications can reshape the backbone so extensively that it becomes difficult to isolate what the VLM contributes to control. Directly converting pretrained VLMs into VLAs with minimal architectural change offers a more transparent path to understanding how VLM capabilities transfer across model scales. The core obstacle is output-distribution mismatch: predicting actions as bare numeric token sequences moves generation away from the VLM's pretrained language distribution, degrading the capabilities we seek to preserve. To address this, we propose CLAP (Causal Language-Action Prediction), which prepends each numeric action sequence with a natural-language action description, causally conditioning precise action-token prediction on a language-action plan without modifying the backbone architecture. With single-epoch fine-tuning alone, 2B CLAP achieves 90.8% on LIBERO (+14.9 pt over VLA-0) and improves robustness on LIBERO-PRO under language, object, and spatial perturbations. We will release CLAP at 0.8B, 2B, and 4B as an open-weight, multi-scale compact VLA family from a single VLM lineage, enabling controlled analysis of VLM-to-VLA capability transfer.
• Abstract（参考訳）: 視覚言語アクションモデル(VLA)は、事前訓練されたVLMからセマンティック機能を継承するが、ロボットデータとアーキテクチャの変更による大規模なポストトレーニングは、VLMが制御に寄与するものを分離することが困難になるように、バックボーンを広範囲に再構築することができる。 トレーニング済みのVLMを直接、最小限のアーキテクチャ変更でVLAに変換することで、モデルスケール間でのVLM機能の移行方法を理解するための、より透過的なパスを提供します。 素数のトークンシーケンスとしてアクションを予測することは、VLMの事前訓練された言語分布から発生し、私たちが保存しようとしている能力を低下させる。 そこで本研究では,各数値行動列に自然言語アクション記述を付加したCLAP(Causal Language-Action Prediction)を提案する。 単一エポック微調整だけで、2B CLAPはLIBERO (+14.9 pt over VLA-0)の90.8%を達成し、言語、対象、空間摂動下でのLIBERO-PROの堅牢性を向上させる。 CLAP は 0.8B, 2B, 4B において,単一の VLM 系統からオープンウェイトでマルチスケールのコンパクトな VLA ファミリーとしてリリースし,VLM-to-VLA 機能伝達の制御解析を可能にする。

関連論文リスト

• LA4VLA: Learning to Act without Seeing via Language-Action Pretraining [51.209359878543005]
  VLA(Vision-Language-Action)モデルは、視覚的な観察と言語指示を共同で行動にマッピングすることで、ロボットのデモンストレーションで一般的に事前訓練される。 LA4VLAは、視覚的観察なしに、ポリシーが言語条件付きアクションの事前取得を可能にする、言語行動事前訓練フレームワークである。
  論文  参考訳（メタデータ） (2026-06-25T17:13:02Z)
• Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
  視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。 このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。 本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
  論文  参考訳（メタデータ） (2026-06-07T08:57:51Z)
• QuoVLA: Quotient Space for Vision-Language-Action Models [51.02329790939691]
  VLA(Vision-Language-Action)モデルは、視覚的な観察と言語指示を連続的な行動にマッピングすることで、トレーニング済みのVLM潜伏者をロボット制御に適応させることが一般的である。 VLA の textitQuotient Theory は、事前訓練された VLM 潜伏剤は、アクションに十分ではないがアクションに十分であることを示している。 提案するQuoVLAは,事前学習されたVLMラテントを動作十分表現に圧縮する,VLAの商空間フレームワークである。
  論文  参考訳（メタデータ） (2026-05-24T06:28:53Z)
• EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training [36.75413663296722]
  視覚言語モデル(VLA)は視覚言語モデル(VLM)から視覚的・言語的能力を継承する ほとんどのVLAは、エンボディドメインに適応せず、下流のパフォーマンスを制限した既製のVLMで構築されている。 本稿では,VLMとVLAのギャップを埋めるために,EmbodiedMidtrainを提案する。
  論文  参考訳（メタデータ） (2026-04-21T21:40:58Z)
• RoboAlign: Learning Test-Time Reasoning for Language-Action Alignment in Vision-Language-Action Models [58.83401587988675]
  RoboAlignは視覚言語アクションモデル(VLA)を訓練し、マルチモーダル理解を低レベルのアクションに変換する。 我々のキーとなる考え方は、ゼロショット自然言語推論を用いてアクショントークンをサンプリングし、この推論を強化学習(RL)を用いて洗練し、アクション精度を向上させることである。 RoboAlignは、それぞれLIBERO、CALVIN、現実世界の環境におけるSFTベースラインよりも17.5%、18.9%、106.6%の性能向上を実現している。
  論文  参考訳（メタデータ） (2026-03-22T17:57:55Z)
• Observing and Controlling Features in Vision-Language-Action Models [20.193036403223903]
  VLA(Vision-Language-Action Models)は、インボディードインテリジェンスに対する顕著な進歩を示している。 機能可観測性と機能可制御性という,2つの主要な概念を紹介し,分析する。 この結果から,ロボットの動作を確実に制御する,目標とする軽量な介入が可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-05T18:53:50Z)
• MAPS: Preserving Vision-Language Representations via Module-Wise Proximity Scheduling for Better Vision-Language-Action Generalization [30.871663465403625]
  我々は、視覚・言語・アクション(VLA)モデルのための、最初の堅牢な微調整フレームワークであるMAPSを紹介する。 系統解析により,安定性と柔軟性のバランスをとるために近接制約を緩和する経験的順序を明らかにする。 MAPSはこの緩和を線形にスケジュールし、視覚エンコーダは事前訓練された事前に近づき、アクション指向の言語層はより自由に適応できる。
  論文  参考訳（メタデータ） (2025-11-25T03:39:37Z)
• Discrete Diffusion VLA: Bringing Discrete Diffusion to Action Decoding in Vision-Language-Action Policies [62.653984010274485]
  VLA(Vision-Language-Action)モデルは、画像や命令をロボットアクションにマッピングするために、大きな視覚言語バックボーンを適応させる。 prevailingAsは、固定された左から右への順序で自動回帰的にアクションを生成するか、バックボーンの外側で分離または拡散ヘッドをアタッチする。 本稿では離散拡散を伴う離散化作用チャンクをモデル化する統一変換器ポリシである離散拡散VLAを提案する。
  論文  参考訳（メタデータ） (2025-08-27T17:39:11Z)
• VLsI: Verbalized Layers-to-Interactions from Large to Small Vision Language Models [84.84277196012907]
  VLsI: Verbalized Layers-to-Interactions, a new VLM family in 2B and 7B model size。 GPT-4Vよりも優れた性能向上(2Bは11.0%、7Bは17.4%)を達成した。
  論文  参考訳（メタデータ） (2024-12-02T18:58:25Z)

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。