論文の概要: VLA-Retain: Benchmarking Cross-Dimension Effects of Vision Tuning in VLAs

• arxiv url: http://arxiv.org/abs/2610.27698v1
• Date: Tue, 20 Oct 2026 06:17:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.670177
• Title: VLA-Retain: Benchmarking Cross-Dimension Effects of Vision Tuning in VLAs
• Title（参考訳）: VLA-Retain:VLAにおける視覚調整のクロスディメンジョン効果のベンチマーク
• Abstract要約: VLA-Retainは、カメラビューまたはセンサーノイズデータに基づいて調整された5つのオープンVLAモデルを比較するベンチマークである。 本研究は4つの知見を呈する。まず,目標視力調整は局所的ではなく,目標ゲインは保持を予測しない。 第3に、より広範なトレーニングカバレッジは、ターゲット固有のトレーニングよりも全体的なゲインを高めるが、次元レベルの回帰を排除しない。 第4に、DELTAスタイルの機能保存はX-VLAの平均目標ゲインを+1.2$ポイントに引き上げるが、OpenVLA-OFTを$-23.1に下げる。
• 参考スコア（独自算出の注目度）: 35.91301820571868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models transfer knowledge from large-scale pretraining into robot control, but their manipulation performance remains sensitive to changes in observation conditions, which recent work addresses by fine-tuning the visual module on target-domain data. However, it remains unclear how such adaptation affects robustness beyond the target condition, as existing robustness benchmarks only evaluate models without fine-tuning and adaptation studies only report the target gain. Measuring this cross-dimension effect requires separating target gains from off-target changes, isolating adaptation effects from architectural differences, ruling out generic forgetting, and comparing tuning choices. Therefore, we introduce VLA-Retain, a benchmark that compares five open VLA models, tuned on Camera-view or Sensor-noise data, with their own base checkpoints on LIBERO-Plus dataset spanning seven perturbation dimensions. Our study reveals four findings. First, targeted vision tuning is not local, and its target gain does not predict retention. Mean off-target gain is negative in 8 of 10 model--domain configurations. Under Camera-view tuning, X-VLA gains $69.4$ percentage points on the target but loses $4.6$ points on average elsewhere, whereas OpenVLA-OFT gains $39.3$ and $1.4$ points, respectively. Second, these regressions are not explained only by performance loss on the same tasks without perturbations. Third, broader training coverage raises overall gain over target-specific training but does not eliminate dimension-level regressions. Fourth, tuning strategies are model-dependent, as DELTA-style feature preservation raises X-VLA's mean off-target gain to $+1.2$ points but lowers OpenVLA-OFT's to $-23.1$. Overall, these findings show that target-domain success alone is insufficient and highlight cross-dimensional retention as a key criterion for targeted VLA adaptation.
• Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、大規模事前学習からロボット制御へ知識を伝達するが、その操作性能は観測条件の変化に敏感であり、ターゲットドメインデータ上で視覚モジュールを微調整することで、近年の課題に対処している。 しかし、そのような適応が目標条件を超えて頑健性にどのような影響を及ぼすかは不明であり、既存の頑健性ベンチマークは微調整や適応研究を伴わないモデルのみを評価し、目標ゲインを報告している。 この断面積効果を測定するには、ターゲット外の変更から目標ゲインを分離し、アーキテクチャ上の違いから適応効果を分離し、一般的な忘れを除外し、チューニングの選択を比較する必要がある。 そこで,VLA-Retainは,カメラビューやセンサノイズに基づく5つのVLAモデルと,7つの摂動次元にまたがるLIBERO-Plusデータセットのベースチェックポイントを比較する。 私たちの研究は4つの発見を公表した。 第一に、目標視力調整は局所的ではなく、目標ゲインは保持を予測しない。 平均オフターゲットゲインは、ドメイン構成の10のモデルのうち8つで負である。 カメラビューのチューニングでは、X-VLAは目標に対して69.4ドル、他の場所では4.6ドル、OpenVLA-OFTは39.3ドル、$1.4ドルとなる。 第二に、これらの回帰は摂動なしで同じタスクのパフォーマンス損失によってのみ説明されるわけではない。 第3に、より広範なトレーニングカバレッジは、ターゲット固有のトレーニングよりも全体的なゲインを高めるが、次元レベルの回帰を排除しない。 DELTAスタイルの特徴保存はX-VLAの平均目標ゲインを+1.2$ポイントに引き上げるが、OpenVLA-OFTは$-23.1$に下げる。 以上の結果から,ターゲットドメインの成功だけでは不十分であり,ターゲットVLA適応の重要な基準として,多次元保持が重要であることが示唆された。

関連論文リスト

• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• GIFT: Goal-Injected Fine-Tuning for Efficient Manipulation Policy Adaptation [24.751598161321933]
  Goal-Injected Fine-Tuning (GIFT)は、生成されたゴール画像を事前訓練されたVLAモデルにシームレスに統合する軽量で効率的な微調整フレームワークである。 提案手法では,ゼロからパラメータを段階的に成長させるゼロd畳み込みにより,ゴール画像の特徴を観測に導入する。 トレーニングが進むにつれて、目標情報を徐々に組み込んで、モデルの安定性を損なうことなく、効率的な目標理解を可能にする。
  論文  参考訳（メタデータ） (2026-09-07T03:56:49Z)
• What to Ignore, What to React: Visually Robust RL Fine-Tuning of VLA Models [35.49750676677204]
  強化学習(RL)の微調整は、ロボット操作におけるビジョン・ランゲージ・アクション(VLA)モデルの可能性を示している。 重要な課題は、標準的なタスク報酬がタスクの成功を監督するが、視覚的な変化がタスク非関連であるか、操作に必要な振る舞いを変更するか、限定的なガイダンスを提供することである。 PAIR-VLAは、PPO最適化中にペアの視覚的変形に対して2つの補助的な目的を加えることで、この問題に対処する。
  論文  参考訳（メタデータ） (2026-05-13T07:15:37Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
  本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。 具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。 本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
  論文  参考訳（メタデータ） (2026-01-23T11:31:07Z)
• Value Vision-Language-Action Planning & Search [1.631000263754549]
  VLA(Vision-Language-Action)モデルは、ロボット操作のための強力なジェネラリストポリシーとして登場した。 本稿では,モンテカルロ木探索を軽量で学習可能な値関数で拡張するフレームワークであるValue Vision-Language-Action Planning and Search(V-VLAPS)を紹介する。 LIBEROロボット操作スイート上でのV-VLAPSを評価し、価値誘導探索が成功率を5%以上向上することを示した。
  論文  参考訳（メタデータ） (2026-01-02T19:40:34Z)
• VLA Models Are More Generalizable Than You Think: Revisiting Physical and Spatial Modeling [60.341503853471494]
  本稿では,新しいカメラ視点と視覚摂動の下で,視覚言語行動モデルが急激に劣化することを示す。 本稿では,軽量で学習可能な更新によって視覚表現を再分類するワンショット適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T16:16:13Z)
• Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
  VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。 本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。 推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
  論文  参考訳（メタデータ） (2025-10-20T09:58:03Z)

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。