論文の概要: Verify, Act, Distill: Turning Test-Time Compute into Test-Time Adaptation for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.14885v1
• Date: Sat, 10 Oct 2026 12:57:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:13:24.202125
• Title: Verify, Act, Distill: Turning Test-Time Compute into Test-Time Adaptation for Vision-Language-Action Models
• Title（参考訳）: Verify, Act, Distill:Vision-Language-Action Modelのためのテスト時間計算をテスト時間適応に変換する
• Abstract要約: 本稿では,TLCの利益をVLA自体に統合する枠組みを提案する。 我々は,実行時セレクタとしてではなく,学習信号として検証を使用することで,TTCの改良が維持されていることを示す。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time compute (TTC), which scores multiple candidate actions at inference time, is a powerful way to improve the execution performance of vision-language-action (VLA) models, but existing methods keep the policy frozen, so the gain must be recomputed at every execution. We propose Verify, Act, Distill, a framework that consolidates the gains of TTC into the VLA itself. A fixed verifier scores candidates generated by a flow-matching VLA, the weighted aggregate is executed, and the observations and aggregated chunks from successful adaptation episodes are distilled directly into LoRA parameters with the standard flow-matching loss. This reuses supervision that TTC has already produced during execution, without additional reinforcement learning or rollouts dedicated to teacher generation. On the 40 LIBERO tasks with a SmolVLA 5k checkpoint, distilling from only 10 episodes per task raises the mean success rate of verifier-free single-candidate generation from 54.1% to 70.6%, retaining about 74% of the improvement obtained by aggregating eight candidates. Applying the same aggregation to the distilled policy further raises the success rate from 76.4% to 82.3%, with a particularly large gain on LIBERO-Long (44.0% to 57.8%), and the single-candidate policy also improves on LIBERO-plus, which contains distribution shifts. These results show that using verification as a learning signal, rather than only as an execution-time selector, both retains the improvements of TTC and re-amplifies the effect of subsequent TTC.
• Abstract（参考訳）: テスト時間計算(TTC)は、複数の候補アクションを推論時にスコア付けし、視覚言語アクション(VLA)モデルの実行性能を向上させる強力な方法であるが、既存の手法ではポリシーを凍結し続けるため、実行毎にゲインを再計算する必要がある。 我々は、RTCの利益をVLA自体に統合する枠組みである検証、行為、蒸留を提案する。 固定検証器は、フローマッチングVLAによって生成された候補をスコアし、重み付け集約を実行し、正常な適応エピソードからの観察および集約チャンクを直接、標準のフローマッチング損失でLoRAパラメータに蒸留する。 これにより、TTCが既に実行中に生み出した監督を、追加の強化学習や教師生成専用のロールアウトなしで再利用することができる。 SmolVLA 5kチェックポイントを持つ40のLIBEROタスクでは、1タスクあたり10エピソードのみを蒸留することで、検証対象のない単一候補生成の平均成功率が54.1%から70.6%に上昇し、8つの候補を集計して得られた改善の約74%を維持している。 蒸留政策に同じアグリゲーションを適用すると、成功率は76.4%から82.3%に上昇し、特にLIBERO-Long(44.0%から57.8%)が上昇し、流通シフトを含むLIBERO-プラスも改善される。 これらの結果は,実行時セレクタとしてだけではなく,検証を学習信号として用いることで,TTCの改善が維持され,その後のTTCの効果が再増幅されることを示唆している。

関連論文リスト

• Flow-Support-Weighted Proposals for Test-Time Verified VLA Policies [21.165662881835416]
  テストタイムサンプリングは、1つのアクション予測を検証者が選択できる独立した実行可能候補のセットに変換することを約束する。 1つのタスク分布を解くために訓練された視覚アクションモデルは、そのフローマッチングデコーダを支配的な実演行動の周りに集中させ、繰り返しサンプルはわずかに異なる。 繰り返しサンプルは、候補となる予算が増加するにつれて、非常に冗長なままになります。
  論文  参考訳（メタデータ） (2026-10-10T05:06:36Z)
• RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
  本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。 適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。 LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
  論文  参考訳（メタデータ） (2026-10-08T15:49:03Z)
• Fewer Steps, Better Actions: Rethinking Flow-Matching Inference for VLA Policies [6.735527039644392]
  フローマッチングに基づく視覚パーセンテージアクション(VLA)ポリシーは、アクションエキスパートの繰り返しの評価を通じてアクションチャンクを生成する。 我々は,この統合予算の一部を単一学習エンドポイントに再配置するCodaを提案する。 50のRoboTwin Easyタスクでは、5ステップのCodaが71.64%から74.68%に改善された。
  論文  参考訳（メタデータ） (2026-09-18T01:57:17Z)
• Look Before You Leap: Distilling Tree Search into Action Evaluation for Frozen VLA Models [60.17417174639865]
  VLA(Vision-Language-Action)モデルは、大規模な事前訓練を通じて幅広い身体的能力を取得する。 一般的な治療法であるポストトレーニングは、タスク固有のパフォーマンスを改善するが、事前トレーニングに価値をもたらすジェネラリスト能力は制限される。 SVAは凍結したVLAポリシーを長期的結果の認識と組み合わせたフレームワークである。
  論文  参考訳（メタデータ） (2026-07-04T07:53:10Z)
• Guided Action Flow: Q-Guided Inference for Flow-Matching Vision-Language-Action Policies [0.0]
  フローマッチング視覚言語アクションポリシーは、反復輸送プロセスを通じてロボットアクションチャンクを生成する。 本稿では,SmolVLA ポリシーを凍結したまま維持する推論時フレームワークである Guided Action Flow において,この機会について検討する。
  論文  参考訳（メタデータ） (2026-07-02T12:30:50Z)
• TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
  テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。 TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
  論文  参考訳（メタデータ） (2026-04-21T10:01:04Z)
• Scaling Verification Can Be More Effective than Scaling Policy Learning for Vision-Language-Action Alignment [58.93227458806748]
  CoVer-VLAは、訓練された検証器を用いた階層的なテスト時間検証パイプラインである。 我々のフレームワークはビジョン・ランゲージ・モデルから多種多様な説明文をプリコンプリートする。 各命令に対して繰り返しアクション候補を生成し、検証器を使用して最適なハイレベルプロンプトと低レベルアクションチャンクを選択する。
  論文  参考訳（メタデータ） (2026-02-12T18:59:59Z)
• A Stitch in Time Saves Nine: Proactive Self-Refinement for Language Models [53.31664844941449]
  ProActive Self-Refinement (PASR)は、大規模言語モデル(LLM)を改善する新しい方法である。 反応全体を再生する手法とは異なり、PASRはモデルの内部状態と進化コンテキストに基づいて、いつ、どのように精製するかを積極的に決定する。 PASRの有効性を評価するために,多種多様な10のタスクについて広範囲に実験を行った。
  論文  参考訳（メタデータ） (2025-08-18T13:07:21Z)

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。