Fugu-MT 論文翻訳(概要): The Bitter Lesson Comes to Robotics

論文の概要: The Bitter Lesson Comes to Robotics

arxiv url: http://arxiv.org/abs/2610.25287v1
Date: Sun, 18 Oct 2026 14:07:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-24 02:08:44.010049
Title: The Bitter Lesson Comes to Robotics
Title（参考訳）: ロボティクスで学ぶ「Bitter Lesson」
Abstract要約: 汎用多目的言語モデル(LM)は、ロボットアームを直接制御する能力が高まっている。ロボットアームを直接制御するフロンティアマルチモーダルLMの能力について検討する。現在のフロンティアモデルは、様々な操作タスクを実行するために、実際のロボットアームを直接制御できるが、実際の行動予算内でそれらを完了するのに十分な正確さや効率性は十分ではない。
参考スコア（独自算出の注目度）: 9.176721680674987
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: General purpose multimodal language models (LMs) are increasingly capable of directly controlling robotic arms (e.g., by commanding end effector poses) to manipulate their environment. Tracking the development of these capabilities is important for understanding their potential benefits, such as improving industrial automation, and risks, such as enabling malicious users to produce dangerous chemical or biological agents. To this end, we investigate the ability of frontier multimodal LMs to directly control physical robotic arms. We evaluate seven models at multiple reasoning-effort settings on six manipulation tasks taken from the RoboDojo benchmark. To our knowledge, this is the first systematic comparison of a broad range of frontier LMs across a common suite of manipulation tasks on physical hardware. We find that current frontier models can directly control real robotic arms to perform a variety of manipulation tasks but are not yet precise or efficient enough to complete them within a practical action budget. However, these capabilities are improving rapidly: performance increases on our benchmark between July and September 2026 (inclusive) correspond to a performance doubling time of 44.5 days, while the best recorded execution rate increased by a factor of 4.4 and the lowest recorded execution cost fell by a factor of 6.2. These trends raise the possibility that the Bitter Lesson is coming to robotics; the capabilities of embodied general purpose LMs may one day be comparable to those of more specialized models.
Abstract（参考訳）: 汎用マルチモーダル言語モデル(LM)は、ロボットアーム(例えば、エンドエフェクタのポーズを指示することで)を直接制御して環境を操作できるようになる。これらの能力の発達を追跡することは、産業の自動化の改善や、悪意のあるユーザーが危険な化学物質や生物学的エージェントを作成できるリスクなど、彼らの潜在的な利益を理解する上で重要である。そこで本研究では,フロンティア型マルチモーダルLMのロボットアームを直接制御する能力について検討する。我々は,RoboDojoベンチマークから得られた6つの操作タスクに対して,複数の推論・回避設定で7つのモデルを評価する。我々の知る限り、これは物理ハードウェア上での操作タスクの共通スイートにわたる広い範囲のフロンティアLMを体系的に比較した初めてのものである。現在のフロンティアモデルは、様々な操作タスクを実行するために、実際のロボットアームを直接制御できるが、実際の行動予算内でそれらを完了するのに十分な正確さや効率性は十分ではない。しかし、これらの能力は急速に向上しており、2026年7月から9月にかけてのベンチマークのパフォーマンスは44.5日の倍増時間に対応し、最も記録された実行速度は4.4で、最低記録された実行コストは6.2で低下した。これらの傾向は、ビーターレッスンがロボティクスに導入される可能性を高めている。ある日、汎用LMの能力は、より専門的なモデルに匹敵するかもしれない。

関連論文リスト

Scaling Online Exploration for Robot Agents [147.6570058866968]
RAX(Robot Agent eXploration)は、ロボットエージェントのためのオープンソースのフレームワークである。本稿では,単腕,両腕,外陰部,移動体,ヒューマノイドシステムを用いて,オンライン探索の精度向上と長期操作作業のスケールについて検討する。 RAXは、人間のデモンストレーションなしで、メモリ依存、調音、高精度、変形可能、および長距離移動操作タスクを自律的に学習する。
論文参考訳（メタデータ） (2026-10-15T18:00:28Z)
EgoJEPA: Beyond Retargeting for Dexterous Manipulation from Egocentric Videos [54.3385405724896]
EgoJEPAは、エゴ中心の人間ビデオからエンボディメントに依存しない表現を学ぶ。 743.2時間から392.7時間にかけて、クロス・エボディメントの壁時計のコストを47.2%削減する。
論文参考訳（メタデータ） (2026-10-14T20:34:18Z)
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)
Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories [36.86989207036016]
Xiaomi-Robotics-1は、モバイル操作のためのビジョン言語アクション(VLA)モデルである。多様な言語命令に従って、幅広いモバイル操作タスクを実行する。最小限の微調整データで、新しい下流タスクに効率的に適応する。
論文参考訳（メタデータ） (2026-07-16T16:02:25Z)
RLDX-1 Technical Report [74.70437517338186]
マルチストリーム動作変換器(Multi-Stream Action Transformer:MSAT)上に構築したデクスタス操作のための汎用ロボットポリシーRTDX-1を紹介する。経験的評価により、RLDX-1は最新のフロンティア・ビジョン・ランゲージ・アクションモデルよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2026-05-05T01:40:15Z)
Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution [32.93468341343403]
我々は、高速かつスムーズなリアルタイム実行のために最適化された高度な視覚言語アクション(VLA)モデルであるXiaomi-Robotics-0を紹介する。 Xiaomi-Robotics-0は、大規模なクロス・エボディメント・ロボット軌道と視覚言語データに事前訓練された。我々はXiaomi-Robotics-0をシミュレーションベンチマークで広範囲に評価し、正確で巧妙なバイマニュアル操作を必要とする2つの挑戦的な実ロボットタスクについて検討した。
論文参考訳（メタデータ） (2026-02-13T07:30:43Z)
FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
論文参考訳（メタデータ） (2025-01-16T18:57:04Z)
λ: A Benchmark for Data-Efficiency in Long-Horizon Indoor Mobile Manipulation Robotics [11.901933884058021]
本稿では,LAMBDA ベンチマーク-Long-Horizon Actions for Mobile-Manipulation Benchmarking of Directed Activityを紹介する。私たちのベンチマークには、シミュレーションと実世界の設定において、現実性と多様性を提供する、571人の人間によるデモが含まれています。予備訓練を受けた場合でも,学習方法は成功率を低く抑えるが,ニューロシンボリックな手法では性能が著しく向上し,データ量も少なくなる。
論文参考訳（メタデータ） (2024-11-28T19:31:50Z)
RoboCoder: Robotic Learning from Basic Skills to General Tasks with Large Language Models [49.23588578549434]
大規模言語モデル(LLM)はロボットタスクの見通しを改善した。既存のベンチマークはまだ、一般化機能に制限のある単一のタスクに限られている。包括的なベンチマークと自律学習フレームワークであるRoboCoderを紹介します。
論文参考訳（メタデータ） (2024-06-06T05:41:47Z)
Surfer: Progressive Reasoning with World Models for Robotic Manipulation [51.26109827779267]
本稿では,新しいシンプルなロボット操作フレームワークであるSurferを紹介する。 Surferは、ロボット操作を視覚シーンの状態伝達として扱い、それをアクションとシーンという2つの部分に分割する。これは世界モデルに基づいており、ロボット操作を視覚シーンの状態伝達として扱い、アクションとシーンの2つの部分に分けられる。
論文参考訳（メタデータ） (2023-06-20T07:06:04Z)

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。