論文の概要: Capek 0.5: An Execution-Centric Vision-Language Model for Embodied Intelligence
- arxiv url: http://arxiv.org/abs/2608.06756v1
- Date: Fri, 07 Aug 2026 03:24:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.338387
- Title: Capek 0.5: An Execution-Centric Vision-Language Model for Embodied Intelligence
- Title（参考訳）: Capek 0.5: 身体情報のための実行中心視覚言語モデル
- Abstract要約: Capek 0.5は、実行中心の能力分類を中心に構築された視覚言語モデルである。
2Bスケールと35B-A3BスケールでCapek 0.5をインスタンス化し、3つの相補的な視点から評価する。
- 参考スコア（独自算出の注目度）: 15.641855254153526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-language models are increasingly serving as the reasoning core of embodied agents. Robot execution is inherently iterative: each action reshapes the scene and physical state, continually renewing what must be perceived, reasoned about, and verified. Meeting these demands requires complementary capabilities that differ in supervision signals, prediction formats, and verification criteria. Existing approaches typically develop these capabilities against isolated, task-specific objectives, leaving open how they should be organized and integrated around execution as a whole. We present Capek 0.5, an embodied vision-language model built around an execution-centric capability taxonomy. Rather than organizing training by datasets or tasks, the taxonomy groups embodied capabilities according to their functional roles throughout execution and comprises four capability families: Spatial Reasoning, Temporal Understanding, Action Guidance, and State Verification. Each capability is first acquired by a dedicated specialist through reinforcement learning with verifiable rewards from a shared backbone, and the specialists are then consolidated into a single inference-time model through weight-space merging followed by routed policy-space distillation. We instantiate Capek 0.5 at the 2B and 35B-A3B scales and evaluate it from three complementary perspectives: comprehensive benchmark suites including Capek-StateBench, a new benchmark for state verification; a controlled study of capability retention from specialists to the unified model; and closed-loop evaluation in simulated embodied environments. Capek 0.5 improves the large majority of matched benchmark rows over its initialization, retains all four specialized capabilities in one checkpoint with quantified losses, and transfers to closed-loop embodied task execution.
- Abstract（参考訳）: 視覚言語モデルは、エンボディエージェントの推論コアとしてますます役立っている。
ロボットの実行は本質的に反復的であり、各アクションはシーンと物理的状態に反応し、知覚され、推論され、検証されるべきことを継続的に更新する。
これらの要求を満たすには、監視信号、予測フォーマット、検証基準が異なる補完機能が必要である。
既存のアプローチは一般的に、分離されたタスク固有の目的に対してこれらの機能を開発します。
本稿では,実行中心の能力分類を中心に構築された視覚言語モデルであるCapek 0.5を紹介する。
データセットやタスクによるトレーニングを組織する代わりに、分類群は実行期間を通じて機能的な役割に従って能力を具現化し、空間的推論、時間的理解、行動ガイダンス、国家的検証の4つの能力ファミリーから構成されている。
それぞれの能力は、まず、共有バックボーンから検証可能な報酬を持つ強化学習を通じて専用の専門家によって獲得され、その後、重量空間の融合により単一の推論時間モデルに統合され、その後、経路化されたポリシー空間の蒸留が行われる。
2Bスケールと35B-A3BスケールでCapek 0.5をインスタンス化し、3つの相補的な視点から評価する:Capek-StateBench、状態検証のための新しいベンチマーク、専門家から統一されたモデルへの能力保持の制御された研究、シミュレートされた環境におけるクローズドループ評価。
Capek 0.5は初期化よりもマッチしたベンチマーク行の大部分を改善し、1つのチェックポイントに4つの特別な機能をすべて保持し、量化された損失を発生させ、クローズドループの具体化タスク実行に転送する。
関連論文リスト
- From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。
世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。
我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
論文 参考訳（メタデータ） (2026-07-13T15:22:56Z) - Promptable Concept Segmentation from Above: Evaluating SAM 3's Zero-Shot and One-Shot Capabilities in Remote Sensing [0.42970700836450487]
本稿では,リモートセンシングシーンの分類,オブジェクト検出,インスタンスのセグメンテーションにまたがる総合的,マルチタスクな経験的評価について述べる。
我々の結果は、SAM 3がレガシーなドメイン適応モデルでよく見られる過度な適合を避けることを実証している。
サブピクセル解像度制限と、オーバーヘッドセマンティックブラインドスポットによって、基本的に制限されている。
論文 参考訳（メタデータ） (2026-07-10T16:33:05Z) - SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning [99.49739831030388]
このインタフェースの設計は,オープンエンド空間推論のためのエージェントのキャパシティをいかに形作るかを検討する。
本研究では,アクションインタフェースとしてコードを採用する空間推論のためのトレーニングフリーフレームワークであるSpatialClawを提案する。
論文 参考訳（メタデータ） (2026-06-11T17:59:36Z) - From Holistic Evaluation to Structured Criteria: Rubrics Across the Evolving LLM Landscape [79.30826980815927]
ルーブリックは、複雑な品質判断を構造化され、実行可能な標準に変換する明示的な基準セットです。
我々は,既存のルーリックデザインを体系的に整理し,その構築と最適化を検証し,評価と訓練をまたいだ役割を解析する。
論文 参考訳（メタデータ） (2026-06-07T13:34:55Z) - Qwen-Scope: Turning Sparse Features into Development Tools for Large Language Models [80.45129499188461]
我々はQwenモデルファミリ上に構築されたスパースオートエンコーダ(SAE)のオープンソーススイートであるQwen-Scopeを紹介する。
SAEはポストホック解析を超越して,4方向のモデル開発のための実用的なインターフェースとして機能することを示す。
論文 参考訳（メタデータ） (2026-05-12T10:01:06Z) - Benchmarked Yet Not Measured -- Generative AI Should be Evaluated Against Real-World Utility [9.928824688627037]
我々は、生成AI評価は、静的なベンチマーク中心の透明性から、人間の成果軌跡に根ざしたステークホルダー、ゴール、コンテキスト条件付きユーティリティ透明性へのパラダイムシフトを必要とすると論じる。
SCU-GenEvalは,利害関係者と利害関係者のゴールマッピング,構成指標仕様,メカニズムモデリング,長手効用測定からなる4段階評価フレームワークである。
論文 参考訳（メタデータ） (2026-05-07T18:56:07Z) - Chain Of Interaction Benchmark (COIN): When Reasoning meets Embodied Interaction [12.219913017710125]
現実的なロボット操作における対話的推論を評価するためのベンチマークであるCOINを紹介する。
まず、日々のシナリオでCOIN-50:50の対話タスクを構築し、因果依存タスクに必要なCOIN-Primitiveを作成する。
第2に、低コストな移動体AR遠隔操作システムを開発し、プリミティブタスク毎に50回のデモを行い、COIN-Primitiveデータセットを収集する。
第3に、CodeAsPolicy、VLA、言語条件付きH-VLAアプローチを評価するために、実行安定性と一般化ロバスト性に関する体系的評価指標を開発する。
論文 参考訳（メタデータ） (2026-04-18T07:26:24Z) - LIBERO-X: Robustness Litmus for Vision-Language-Action Models [32.29541801424534]
この研究は、評価とデータの観点からVLAベンチマークを体系的に再考する。
LIBERO-Xは階層的評価プロトコルを特徴とするベンチマークで,3つのコア機能を対象とした進行難度レベルを示す。
代表的なVLAモデルを用いた実験では、累積摂動下での大幅な性能低下が示されている。
論文 参考訳（メタデータ） (2026-02-06T09:59:12Z) - VAGEN: Reinforcing World Model Reasoning for Multi-Turn VLM Agents [130.70999337445468]
言語モデル(LLM)エージェントと比較して、視覚言語モデル(VLM)エージェントを訓練する際の重要な課題は、テキスト状態から複雑な視覚観察に移行することである。
VLMエージェントは、明示的な視覚状態推論によって内部世界モデルを構築することができるか?
我々は、強化学習(RL)を通して、エージェントの推論プロセスを建築的に実施し、報奨する。
エージェントの状態推定と遷移モデリングへの推論が成功に不可欠であることが分かりました。
論文 参考訳（メタデータ） (2025-10-19T16:05:07Z) - RealUnify: Do Unified Models Truly Benefit from Unification? A Comprehensive Benchmark [71.3555284685426]
本稿では,双方向機能相乗効果を評価するためのベンチマークであるRealUnifyを紹介する。
RealUnifyは、10のカテゴリと32のサブタスクにまたがる、細心の注意を払ってアノテートされた1000のインスタンスで構成されている。
現在の統一モデルは、効果的な相乗効果を達成するのに依然として苦労しており、アーキテクチャの統一だけでは不十分であることを示している。
論文 参考訳（メタデータ） (2025-09-29T15:07:28Z) - Adapting Vision-Language Models for Evaluating World Models [24.813041196394582]
データおよび計算制約下でのシミュレーション環境におけるロールアウトに対する視覚言語評価手法であるUNIVERSEを提案する。
本研究では,タスク形式,コンテキスト長,サンプリング戦略,データ構成を網羅した,完全,部分的,パラメータ効率の微調整を大規模に検討する。
その結果得られた統合評価器は、単一のチェックポイントを使用してタスク固有のベースラインのパフォーマンスにマッチする。
論文 参考訳（メタデータ） (2025-06-22T09:53:28Z)
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。