論文の概要: Fewer Tokens, Better Action: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens

• arxiv url: http://arxiv.org/abs/2610.01939v1
• Date: Thu, 01 Oct 2026 16:07:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.253792
• Title: Fewer Tokens, Better Action: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens
• Title（参考訳）: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens
• Abstract要約: 視覚言語モデル(VLM)エージェントは視覚フィードバックやアクションプリミティブを通じてロボットを制御することができる。 PyRUA-Leanは、フィードバック駆動型プリミティブ合成と選択的観察を結合した対話型コード実行フレームワークである。
• 参考スコア（独自算出の注目度）: 25.60359651835182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision language model (VLM) agents can control robots through visual feedback and action primitives, but repeated model invocations and redundant observations incur substantial token overhead. We introduce PyRUA-Lean, an interactive code-execution framework that couples feedback-driven primitive composition with selective observation: the agent composes classical robot primitives and learned vision-language-action (VLA) policies into Python cells that perform conditional checks and local retries, returning only explicitly requested images and state feedback for replanning. Across 700 simulated task instances from LIBERO-PRO, RoboTwin 2.0, and RoboCasa365, we compare PyRUA-Lean with a tool-calling baseline using the same GPT-6 Astra planner and underlying robot primitives. Under equal LLM-call budgets, PyRUA-Lean increases overall success from 63.1% to 71.7%. On instances solved by both agents, it uses 49% fewer LLM calls and 65% fewer input tokens.
• Abstract（参考訳）: 視覚言語モデル(VLM)エージェントは、視覚フィードバックやアクションプリミティブを通じてロボットを制御することができるが、繰り返しモデルの実行と冗長な観察は、かなりのトークンオーバーヘッドを引き起こす。 エージェントは古典的なロボットプリミティブと学習した視覚言語アクション(VLA)ポリシーをPythonセルに組み込み、条件付きチェックと局所再試行を行い、明示的に要求された画像と状態フィードバックのみを返却する。 LIBERO-PRO,RoboTwin 2.0,RoboCasa365の700件のタスクインスタンスを用いて,PyRUA-Leanを同じGPT-6アストラプランナーと基盤となるロボットプリミティブを用いたツールコールベースラインと比較した。 LLMコールの予算が等しくなると、PyRUA-Leanは全体の成功率を63.1%から71.7%に引き上げる。 両方のエージェントが解決したインスタンスでは、LLMコールを49%削減し、入力トークンを65%削減する。

関連論文リスト

• MotorMind: Scaffolding General Vision Language Models for Zero-Shot Robot Manipulation [20.61956871197348]
  我々は,VLMが提案する中間レベル動作を決定論的ロボット制御とフィードバックに接続するロボット操作ハーネスであるMotorMindを紹介する。 SAM3のようなタスク固有のポリシートレーニングやコーディングエージェント、その他の基盤ツールがなければ、MotorMindはベースとなるLIBERO-PROスイートで66.7%、摂動下で53.8%の成功を収める。
  論文  参考訳（メタデータ） (2026-09-29T17:36:40Z)
• Robo-Harness K1: Harnessing Robot-Use Agents via Perception Augmentation [61.15247763568461]
  本稿では,ロボット利用エージェントフレームワークであるRobo-Harness K1を紹介する。 一致した LIBERO-PRO タスクでは、Gemini 3.7 Flash with K1 が 77.8% に達し、GPT-6 Astra の 61.1% を RGB のみのハーネスで上回った。 RoboTwin では Easy で 32.0%、Hard で 28.0% を達成し、視覚的および環境的な摂動に対するレジリエンスを示している。
  論文  参考訳（メタデータ） (2026-09-24T11:16:18Z)
• 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)
• RHO: Your Coding Agent is Secretly a Roboticist [24.9798218503493]
  コード・アズ・ポリシーズ(CaP)は、大きな言語モデル(LLM)が知覚、計画、制御プリミティブを構成することでロボットのタスクを解くコードを書くことができることを示した。 最近のCaPシステムは、テスト時に多ターンコード生成ループに依存しており、リアルタイムロボット制御では不可能であることが多い。 ロボットハーネス最適化(ロボティクス・ハーネス・オプティマイゼーション、英: Robotics Harness Optimization、RHO)は、ツール対応のコーディングエージェントがトレーニング時に、解釈可能な、ニューロシンボリックなマルチファイルポリシーリポジトリの提案と検索を行う新しいパラダイムである。
  論文  参考訳（メタデータ） (2026-06-15T09:30:12Z)
• Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
  身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。 統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
  論文  参考訳（メタデータ） (2026-05-26T18:52:04Z)
• HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation [54.03004125910057]
  階層型視覚-言語-アクションモデルは、標準的なモノリシックVLAモデルよりも、ドメイン外のデータを利用するのに効果的であることを示す。 階層設計により、高レベルなVLMは、オフドメイン微調整データと実ロボットテストシナリオの間の重要なドメインギャップをまたいで転送可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-08T07:50:22Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)

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。