論文の概要: PonderPounce: A Pretrained MLLM as an Episode Context Engine for Robot Control

• arxiv url: http://arxiv.org/abs/2608.24115v1
• Date: Tue, 25 Aug 2026 06:24:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.845252
• Title: PonderPounce: A Pretrained MLLM as an Episode Context Engine for Robot Control
• Title（参考訳）: PonderPounce:ロボット制御のためのエピソードコンテキストエンジンとして事前訓練されたMLLM
• Abstract要約: PonderPounceはMLLMのネイティブ因果コンテキストをロボットメモリとして再利用する。 パウンスは現在の観察、指示、受容を直接受け取ります。 ベーススケールのトレーニングデータを持つRoboMMEでは、PonderPounceは同じPounceアーキテクチャとインターフェースの下で、9Bで60.83%、0.8Bで50.04%に達する。
• 参考スコア（独自算出の注目度）: 25.920573627524945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal large language models (MLLMs) can integrate long visual histories, reason under partial observability, and infer behavior from a few examples. Yet vision-language-action (VLA) models generally inherit pretrained representations without using this contextual capacity as episode memory. Memory-dependent policies address this gap through purpose-built history mechanisms. PonderPounce instead reuses an MLLM's native causal context as robot memory. Ponder, a System2 MLLM, accumulates episode observations, demonstrations, and prior cognition in its native causal context and can generate subgoal text and demonstration reasoning for internal use. Pounce, a System1 VLA, receives the current observation, instruction, and proprioception directly; through the Ponder--Pounce interface, it asynchronously receives only the newest continuous cognition token and its age. Both are jointly trained end to end without a purpose-built memory module or separate bridge pretraining. Optimized serving achieves p50 latencies of 78ms for cognition refresh and 25ms for action-model invocation, supporting 20Hz action playback. On RoboMME with base-scale training data, PonderPounce reaches 60.83% with 9B and 50.04% with 0.8B under the same Pounce architecture and interface, versus 44.51% for FrameSamp+Modul and 17.93% for the current-observation π_{0.5}. With 9x data, it reaches 75.54% versus 57.88% for FrameSamp+Modul. On RoboCasa-DC, the same interface learns from action supervision alone and reaches 12.5% versus 11.6% for the strongest published demonstration-conditioned baseline, falling to 8.6% when cognition is replaced by a learned null state.
• Abstract（参考訳）: MLLM(Multimodal large language model)は、長い視覚履歴、部分可観測性に基づく推論、いくつかの例から振る舞いを推測することができる。 しかし、視覚言語アクション(VLA)モデルは、一般的に、この文脈的容量をエピソード記憶として使用せずに、事前訓練された表現を継承する。 メモリ依存ポリシーは、目的的に構築された履歴メカニズムを通じて、このギャップに対処する。 PonderPounceは代わりにMLLMのネイティブ因果コンテキストをロボットメモリとして再利用する。 System2 MLLMであるPonderは、そのネイティブ因果文脈においてエピソード観察、デモンストレーション、事前認知を蓄積し、内部使用のためのサブゴールテキストとデモンストレーション推論を生成する。 System1 VLAであるPounceは、現在の観察、命令、プロプリセプションを直接受け取り、Ponder-Pounceインターフェースを通じて、最新の連続認識トークンとその年齢のみを非同期に受信する。 どちらも、目的に構築されたメモリモジュールや独立したブリッジ事前トレーニングなしで、共同でトレーニングされたエンドツーエンドである。 最適化されたサービスにより、認識リフレッシュのためのp50レイテンシ78ms、アクションモデル呼び出しのための25msを実現し、20Hzのアクション再生をサポートする。 ベーススケールのトレーニングデータを持つRoboMMEでは、PonderPounceが60.83%、9Bが50.04%、Pounceが0.84%、FrameSamp+Modulが44.51%、現在のπ_{0.5}が17.93%である。 9倍のデータで、FrameSamp+Modulでは75.54%、57.88%に達する。 RoboCasa-DCでは、同じインターフェースが行動監督のみから学び、最も強力なデモ条件ベースラインでは12.5%、11.6%に達し、認知が学習されたnull状態に置き換えられると8.6%に低下する。

関連論文リスト

• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• CogEvol: Towards Efficient and Reliable Learning Environment Generation [49.18054685846454]
  本稿では,学習環境生成に特化して訓練されたモデル群であるCogEvolを紹介する。 CogEvolは、スライドを中央値17秒、対話ページを59秒で完了し、数分のマルチターンエージェントの足場を置き換える。 プロダクショングラウンドのデータパイプラインは、実際の障害を53,687個のSFTサンプルに変換する。
  論文  参考訳（メタデータ） (2026-08-31T15:33:38Z)
• StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
  StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。 追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。 メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
  論文  参考訳（メタデータ） (2026-08-26T17:33:19Z)
• AgentWeave: Routing Before Reasoning for Efficient Function Calling in Tool-Rich Language Models [0.0]
  我々は,有界モデル可視アクション空間を構成する決定論的事前推論ルーティング層であるAgentWeaveを紹介する。 オールツールの露出とは対照的に、AgentWeaveは70.18%のツールを減らし、61.70%の入力トークンを減らし、平均的なローカルモデルのレイテンシを50.95%低下させる。
  論文  参考訳（メタデータ） (2026-08-24T10:38:08Z)
• G0.5: One Autoregressive Stream for Robot Reasoning and Action [43.43377463558725]
  本稿では,1つの変圧器デコーダが1つの目的の下で推論とアクショントークンを出力する,事前訓練された自己回帰VLAであるG0.5を紹介する。 推論とアクションは1組の重みを共有しているため、事前訓練されたVLMの能力は物理的な振る舞いへと引き継がれる。 G0.5は7つの独立した体制で最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2026-08-12T07:26:47Z)
• Activity Frames: Deterministic Screen-Activity Compilation for Agent Memory and Replay [0.0]
  我々は、受動的にキャプチャされたスクリーンアクティビティを決定論的ゼロモデルパイプラインでエージェントメモリにコンパイルする。 ローカルなキャプチャストリームを、タイプされたアクティビティフレーム、アプリケーション、サイト、タイミング、入力ボリューム、エビデンスポインターを生の行に戻す境界エピソードに分割する。 あるプロのシングルユーザーコーパスの51日間で128,756フレームを消費すると、コンパイラは生のキャプチャの日数を68ミリ秒で86倍小さくする。
  論文  参考訳（メタデータ） (2026-08-06T09:17:43Z)
• ClawArena-Team: Benchmarking Subagent Orchestration and Dynamic Workflows in Language-Model Agents [61.184954205350984]
  ClawArena-Teamは、41のマルチターン、マルチモーダル、マルチエージェントシナリオのベンチマークである。 全体的なスコア -- Subagent-Management Score (SMS) -- は、タスクの正しさを最小限のプライマリとモダリティのルーティング因子によって乗算する。
  論文  参考訳（メタデータ） (2026-06-30T06:06:08Z)
• MemoryVAM: Integrating Memory into Video Action Model for Robot Manipulation [32.07039868974098]
  本稿では,ビデオワールドモデルポリシーのためのエピソードメモリ機構であるMemoryVAMを提案する。 我々はRecap-Cue(RC)モジュールを使用し、PerceiverベースのRecapはフレーム単位のCLIPをコンパクトなメモリトークンにマップする。 これらのトークンはビデオバックボーンとアクションデコーダの両方に注入され、ポリシーのイマジネーションとエピソードの進行と履歴の条件付けとを一致させる。
  論文  参考訳（メタデータ） (2026-06-13T08:54:52Z)
• MEMTIER: Tiered Memory Architecture and Retrieval Bottleneck Analysis for Long-Running Autonomous AI Agents [6.8552591401084015]
  提案するMEMTIERは,OpenClawエージェントのための三部構成メモリアーキテクチャである。 完全なLongMemEval-Sベンチマークでは、MEMTIERは6GBのGPU上でQwen2.5-7BでAcc.382, F1=.412を達成する。 DeepSeek-V4-Flashでは、シングルセッションリコールは0.686-0.714に達し、これらのカテゴリのRAG GPT-4oを上回っている。
  論文  参考訳（メタデータ） (2026-05-05T12:14:10Z)
• Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
  ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。 本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T16:00:22Z)
• HAMLET: Switch your Vision-Language-Action Model into a History-Aware Policy [61.668591984635846]
  HAMLETは、行動予測中の歴史的状況に対応するためにビジョン・ランゲージ・アクションモデルを適用するためのフレームワークである。 HAMLETは、最先端のVLAを履歴認識ポリシーに変換することに成功していることを示す。 GR00T N1.5に加えて、HAMLETは歴史に依存した実世界のタスクで平均76.4%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-10-01T09:15:52Z)
• MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
  このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。 本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。 本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
  論文  参考訳（メタデータ） (2025-08-26T17:57:16Z)
• Seed1.5-Thinking: Advancing Superb Reasoning Models with Reinforcement Learning [231.11339402237903]
  反応前に思考を通して推論できるSeed1.5-Thinkingを紹介した。 Seed1.5-ThinkingはAIME 2024で86.7、Codeforcesで55.0、GPQAで77.3を達成した。 これは、STEMとコーディングにおいて優れた推論能力を示す。
  論文  参考訳（メタデータ） (2025-04-10T17:10:51Z)
• Perception Test: A Diagnostic Benchmark for Multimodal Video Models [78.64546291816117]
  本稿では,事前学習したマルチモーダルモデルの知覚と推論能力を評価するために,新しいマルチモーダルビデオベンチマークを提案する。 知覚テストは、スキル(記憶、抽象化、物理学、セマンティックス)と、ビデオ、オーディオ、テキストモダリティ間の推論(記述的、説明的、予測的、反ファクト的)のタイプに焦点を当てている。 このベンチマークは、ゼロショット/少数ショットまたは限定的な微調整方式で、転送機能の事前訓練されたモデルを探索する。
  論文  参考訳（メタデータ） (2023-05-23T07:54:37Z)

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。