論文の概要: NestedVLA: Learning to Consolidate and Generate Skills for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.23271v3
• Date: Tue, 20 Oct 2026 12:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.225469
• Title: NestedVLA: Learning to Consolidate and Generate Skills for Vision-Language-Action Models
• Title（参考訳）: NestedVLA:ビジョン・ランゲージ・アクション・モデルのためのスキルの統合と生成を学ぶ
• Abstract要約: 我々は、独自のトレーニングデータにアクセスせずに、独立して微調整されたVLAポリシーを統合するNestedVLAを提案する。 すべての更新をひとつのチェックポイントにマージする代わりに、VLAに組み込まれたハイパーネットワークは、選択したタスクに対してアクション-専門家の重み更新を生成する。 我々は,MetaWorld,ManiSkill,CALVINで強化学習を施した3つのポリシーを統合し,NestedVLAを評価した。
• 参考スコア（独自算出の注目度）: 17.13938353416822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) models can learn a wide range of robotic skills, but combining separately trained skills remains challenging. The original training data may be unavailable for joint retraining, while directly merging model weights can cause interference. We propose NestedVLA, which consolidates independently fine-tuned VLA policies without access to their original training data. Instead of merging all updates into one checkpoint, a hypernetwork embedded in the VLA generates action-expert weight updates for a selected task. Each task's compressed vision-language model update is stored separately, and both updates are added to a frozen base VLA to instantiate the corresponding policy. We evaluate NestedVLA by consolidating three policies fine-tuned with reinforcement learning on MetaWorld, ManiSkill, and CALVIN. It achieves 66.7% average success, improving on the strongest model-merging baseline by 41.1 percentage points. It performs within 1 percentage point of per-task fine-tuning on ManiSkill and substantially narrows the gap on CALVIN. In this three-policy setting, total storage is 1.5x that of a single full checkpoint. Code is available at https://github.com/WanyuGroup/NeurIPS2026-NestedVLA.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、幅広いロボットスキルを学ぶことができるが、個別に訓練されたスキルを組み合わせることは難しい。 元のトレーニングデータはジョイントリトレーニングでは利用できないが、モデルの重みを直接マージすることで干渉を引き起こす可能性がある。 我々は、独自のトレーニングデータにアクセスせずに、独立して微調整されたVLAポリシーを統合するNestedVLAを提案する。 すべての更新をひとつのチェックポイントにマージする代わりに、VLAに組み込まれたハイパーネットワークは、選択したタスクに対してアクション-専門家の重み更新を生成する。 各タスクの圧縮された視覚言語モデル更新は別々に格納され、両方の更新は凍結ベースVLAに追加され、対応するポリシーがインスタンス化される。 我々は,MetaWorld,ManiSkill,CALVINで強化学習を施した3つのポリシーを統合し,NestedVLAを評価した。 平均66.7%の成功を達成し、最強のモデルマージベースラインを41.1ポイント改善した。 ManiSkillのタスク毎の微調整の1パーセント以内に実行され、CALVINのギャップを大幅に狭める。 この3つの政治的設定では、総ストレージは1つの完全なチェックポイントの1.5倍である。 コードはhttps://github.com/WanyuGroup/NeurIPS2026-NestedVLAで公開されている。

関連論文リスト

• Hierarchical Skill Retrieval for Data-Efficient Adaptation of Vision-Language-Action Models [10.94594187411586]
  Hierarchical Skill Retrieval (HSR)は、データ効率のよいVLA適応のための検索フレームワークである。 我々は、HSRが最強のベースラインに対して平均成功率を10.3%、21.3%改善することを示した。
  論文  参考訳（メタデータ） (2026-08-25T04:04:49Z)
• UniFed-VLM: Federated Instruction Tuning for Vision-Language Models with Multiple Heterogeneity [82.84279796262818]
  視覚言語モデル(VLM)のための統一的な命令チューニングフレームワークUniFed-VLMを提案する。 1)Federated Compensated Subspace Aggregation (FedCSA) パラメータ効率のアダプタのサブスペース整合アグリゲーションを実行する。 複数のベンチマークデータセットで実験を行い、UniFed-VLMがより優れた平均性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-08-16T04:01:04Z)
• AtomVLA: Scalable Post-Training for Robotic Manipulation via Predictive Latent World Models [9.608633915316252]
  VLA(Vision-Language-Action)モデルでは、一般化可能なロボット操作の可能性を示している。 現在のパラダイムは、教師付き微調整中の粗大でハイレベルなタスク命令に依存している。 スケーラブルなオフライン後トレーニングパイプラインと統合された,最初のサブタスク対応VLAフレームワークである方法を提案する。
  論文  参考訳（メタデータ） (2026-03-09T15:52:48Z)
• Enhanced Continual Learning of Vision-Language Models with Model Fusion [16.764069327701186]
  VLM(Vision-Language Models)は、人工知能のブレークスルーである。 VLMは、複数の下流タスクで連続的に微調整されたときに、破滅的な忘れをしがちである。 本稿では,連続的な学習にモデル融合を導入することで,新しいアプローチであるConDUを提案する。
  論文  参考訳（メタデータ） (2025-03-12T15:48:13Z)
• Modeling Multi-Task Model Merging as Adaptive Projective Gradient Descent [72.10987117380584]
  複数のエキスパートモデルをマージすることは、元のデータにアクセスせずにマルチタスク学習を実行するための有望なアプローチを提供する。 既存のメソッドは、競合を引き起こす一方で、パフォーマンスにとって重要なタスク固有の情報を捨てている。 我々の手法は従来の手法より一貫して優れており、視覚領域とNLP領域の両方において様々なアーキテクチャやタスクにまたがって最先端の結果が得られます。
  論文  参考訳（メタデータ） (2025-01-02T12:45:21Z)
• LiNeS: Post-training Layer Scaling Prevents Forgetting and Enhances Model Merging [80.17238673443127]
  LiNeSは、微調整タスク性能を向上しつつ、事前訓練された一般化を維持するために設計されたポストトレーニング編集技術である。 LiNeSは、視覚と自然言語処理のさまざまなベンチマークにおいて、シングルタスクとマルチタスクの両方で大幅に改善されている。
  論文  参考訳（メタデータ） (2024-10-22T16:26:05Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)

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。