論文の概要: ABot-ER: Unified Embodied Reasoning through Agentic Data-Model Co-Evolution
- arxiv url: http://arxiv.org/abs/2610.18355v2
- Date: Wed, 14 Oct 2026 06:44:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.619298
- Title: ABot-ER: Unified Embodied Reasoning through Agentic Data-Model Co-Evolution
- Title（参考訳）: ABot-ER:エージェントデータモデル共進化による統一的身体的推論
- Abstract要約: 本稿では,ABot Embodied Reasoning(ABot-ER)について紹介する。
ABot-ERは、知覚における空間、シーン、時間的推論にまたがる3つの能力のすべてに、専門家レベルの深さを指示する。
ABot-ERは、統一されたパラメトリックフレームワーク内での認識、計画、実行を通じて、最先端の全体的なパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 20.619948805121528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce ABot Embodied Reasoning (ABot-ER), a unified embodied reasoning foundation model that breaks the tension between breadth and depth in embodied reasoning. Embodied intelligence demands the joint mastery of perception, planning, and execution, yet reconciling generality with specialization across this spectrum remains an open challenge. Within a single unified model, ABot-ER commands specialist-level depth across all three competencies, spanning spatial, scene, and temporal reasoning in perception; long-horizon action organization in planning; and point grounding and affordance in execution. The Agentic Data-Model Self-Evolution Engine continuously adapts data strategies to the model's evolving capability state. The Task-Conditioned Adaptive Training Strategy uses task tokens to activate lightweight low-rank residuals over a shared backbone, separating updates from heterogeneous output formats while retaining shared embodied knowledge. Across a systematic evaluation on twelve benchmarks covering three core competencies and five capability dimensions, ABot-ER achieves state-of-the-art overall performance across perception, planning, and execution within a unified parametric framework, demonstrating that breadth and depth can coexist in unified embodied reasoning.
- Abstract（参考訳）: ABot Embodied Reasoning (ABot-ER) は, 具体的推論における幅と深さの緊張を解消する統一的な具体的推論基盤モデルである。
エボディード・インテリジェンス(英語版)は、知覚、計画、実行の共同熟達を要求するが、このスペクトルにまたがる特殊化と一般性を一致させることは、未解決の課題である。
単一の統一モデル内では、ABot-ERは、空間的、シーン、時間的推論、計画における長期的行動組織、実行時のポイントグラウンドと余裕という、3つの能力のすべてにまたがるスペシャリストレベルの深さを指示する。
Agentic Data-Model Self-Evolution Engineは、データ戦略をモデルの進化する機能状態に継続的に適応させる。
Task-Conditioned Adaptive Training Strategyはタスクトークンを使用して、共有バックボーン上で軽量な低ランク残差を活性化し、異種出力フォーマットからの更新を分離し、共有具体的知識を維持している。
ABot-ERは、3つのコア能力と5つの機能ディメンションをカバーする12のベンチマークに関する体系的な評価の中で、統一されたパラメトリックフレームワーク内での認識、計画、実行の総合的なパフォーマンスを達成し、広さと深さが統一されたエンボディド推論で共存できることを実証している。
関連論文リスト
- EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action [65.7650775259592]
視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。
本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
論文 参考訳（メタデータ） (2026-09-30T15:35:53Z) - X-Planner: Event-Structured Task Planning for Embodied Intelligence [8.960643039576123]
我々は、具体的推論の監督と表現の両方に対処するプランニングフロントエンドであるX-Plannerを紹介する。
Ego, UMI, および遠隔操作の階層構造とソース依存のアノテーション深度を組み合わせる。
X-PlannerはBERTScore-F1と審査ベースのスコアの両方で評価された4つのモデルの中で2位である。
論文 参考訳（メタデータ） (2026-09-21T17:01:16Z) - Capek 0.5: An Execution-Centric Vision-Language Model for Embodied Intelligence [15.641855254153526]
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。
論文 参考訳（メタデータ） (2026-08-07T03:24:25Z) - 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) - RoBoSR: Structured Scene Representations for Embodied Robotic Reasoning [14.955041656490849]
ステップワイズ状態遷移として操作を定式化する中間構造表現であるRoBoSRを導入する。
物体の状態とその空間的関係を知覚作用インタフェースでモデル化することにより、RoBoSRは生の入力から高レベルなタスク推論を解き放つ。
我々は、シーン理解、命令解釈、サブタスク計画を共同で監督するオープンワールドデータセットであるManip-Cognition-1.6Mを構築した。
論文 参考訳（メタデータ） (2026-06-23T09:24:52Z) - AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding [55.535374902204296]
AffordanceVLAは、タスク指向の中間表現として構造化された価格予測を導入する統一フレームワークである。
AffordanceVLAは様々な操作シナリオで高いパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2026-06-04T13:28:51Z) - SpatialEvo: Self-Evolving Spatial Intelligence via Deterministic Geometric Environments [75.60795462502949]
SpaceEvoは3D空間推論のための自己進化型フレームワークである。
16の空間推論タスクカテゴリを明示的な幾何学的検証規則で定式化する。
注釈のない3Dシーンをゼロノイズのインタラクティブなオラクルに変換し、モデルコンセンサスを客観的な物理的フィードバックに置き換える。
論文 参考訳（メタデータ） (2026-04-15T17:59:12Z) - DM0: An Embodied-Native Vision-Language-Action Model towards Physical AI [84.9072161615971]
我々は,物理AI用に設計された身体的負の視覚・言語・アクション・フレームワークであるDM0を提案する。
当社の方法論は,事前トレーニング,中級トレーニング,ポストトライニングという,包括的な3段階のパイプラインに従っています。
RoboChallengeベンチマークの実験では、DM0はスペシャリストとジェネリリストの両方で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-16T17:59:16Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - Shifting AI Efficiency From Model-Centric to Data-Centric Compression [67.45087283924732]
AI研究の焦点は、モデル中心の圧縮からデータ中心の圧縮へとシフトしている、と私たちは主張する。
データ中心圧縮は、モデルトレーニングや推論中に処理されたデータのボリュームを直接圧縮することで、AI効率を向上させる。
我々の研究は、AIの効率性に関する新たな視点を提供し、既存の取り組みを合成し、コンテキスト長の増大によって引き起こされる課題に対処するためにイノベーションを触媒することを目的としています。
論文 参考訳（メタデータ） (2025-05-25T13:51:17Z)
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。