論文の概要: What Actually Matters? A Paired Evaluation of Inference Settings for $π_{0.5}$ on BEHAVIOR-1K

• arxiv url: http://arxiv.org/abs/2610.37917v1
• Date: Tue, 27 Oct 2026 19:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.326111
• Title: What Actually Matters? A Paired Evaluation of Inference Settings for $π_{0.5}$ on BEHAVIOR-1K
• Title（参考訳）: 実際に何が問題なのか : BEHAVIOR-1K上でのπ_{0.5}$の推論設定のペア評価
• Abstract要約: Vision-Language-Action(VLA)モデルは、汎用的な家庭用ロボット工学に有望なパラダイムを提供する。 小規模な設定で展開された推論とデータ収集戦略は、必ずしも大規模で多様なタスクスイートに一般化するとは限らない。 評価では、2025 BEHAVIOR Challenge の勝者をベースとした細調整の $_0.5$ モデルを用いて、公開テストセットの Q-Score が 0.39 である。
• 参考スコア（独自算出の注目度）: 41.28217603928113
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Vision-Language-Action (VLA) models offer a promising paradigm for general-purpose household robotics. However, inference and data-collection strategies that have been deployed in smaller-scale settings do not necessarily generalize to large-scale, diverse task suites. To address this gap, we conduct a systematic, paired evaluation of previously proposed inference and data-collection strategies across all 100 tasks. Our evaluation uses a fine-tuned $π_{0.5}$ model based on the 2025 BEHAVIOR Challenge winner, which achieves a Q-score of 0.39 on the public test set. These results show that proposed strategies do not transfer uniformly to new environments and tasks. Project page, videos, and detailed analysis: https://rubenhammele.github.io/behavior2026
• Abstract（参考訳）: Vision-Language-Action(VLA)モデルは、汎用的な家庭用ロボット工学に有望なパラダイムを提供する。 しかし、小規模な設定で展開された推論とデータ収集戦略は、必ずしも大規模で多様なタスクスイートに一般化するとは限らない。 このギャップに対処するために、これまでに提案されていた推論とデータ収集戦略を体系的に組み合わせて評価する。 評価では、2025 BEHAVIOR Challenge の勝者をベースとした細調整の $π_{0.5}$ モデルを用いて、公試セット上での Q-スコア0.39 を達成する。 これらの結果から,提案手法は新たな環境やタスクに一様に移行しないことが示唆された。 プロジェクトページ、ビデオ、詳細な分析:https://rubenhammele.github.io/behavior2026

関連論文リスト

• GlobeBench: Evaluating Text-Based World Model Capabilities for Scalable Environment Simulations [0.6488213253152644]
  GlobeBenchは複雑なRL環境状態遷移をシミュレートするための新しいベンチマークである。 行動が環境の大部分に影響を与えると,モデル精度が低下することがわかった。
  論文  参考訳（メタデータ） (2026-10-15T22:24:56Z)
• Do World Models Make Better Robots? A Survey of Evaluation Benchmarks for Predictive Embodied Intelligence [20.90457097908955]
  世界モデリングは直接的な政策よりも測定可能なクローズドループの優位性を得るだろうか? この分野はまだこの問題に答えられず、理由はモデル自体ではなく、その測定方法のギャップである、と我々は主張する。 2017年から2026年にかけて、160のWeb検証ベンチマークをカタログ化し、評価モード、ロボット機能、モデルファミリーを4車線にまとめました。
  論文  参考訳（メタデータ） (2026-08-30T11:36:32Z)
• Scalable Multi-Objective and Meta Reinforcement Learning via Gradient Estimation [8.50468505606714]
  強化学習(RL)における複数の目的を同時に最適化する政策を効率的に推定する問題について検討する。 この問題は、ロボット工学、制御、言語モデルにおける好みの最適化などの応用で生じる。 この問題に対処するために,メタトレーニングと微調整という2段階の手順を導入する。
  論文  参考訳（メタデータ） (2025-11-16T21:05:21Z)
• Intention-Conditioned Flow Occupancy Models [80.42634994902858]
  大規模な事前学習は、今日の機械学習研究のやり方を根本的に変えた。 同じフレームワークを強化学習に適用することは、RLの中核的な課題に対処するための魅力的な方法を提供するので、魅力的です。 生成AIの最近の進歩は、高度に複雑な分布をモデリングするための新しいツールを提供している。
  論文  参考訳（メタデータ） (2025-06-10T15:27:46Z)
• Revisiting Few-Shot Object Detection with Vision-Language Models [49.79495118650838]
  我々は、最近の基礎視覚言語モデル(VLM)の文脈で、少数ショットオブジェクト検出(FSOD)のタスクを再考する。 我々は,任意の外部データ上で事前学習された検出器を評価する新しいベンチマークプロトコルであるFoundational FSODを提案する。 CVPR 2024 Foundational FSOD コンペティションについて論じ,コミュニティからの洞察を共有した。
  論文  参考訳（メタデータ） (2023-12-22T07:42:00Z)
• UU-Tax at SemEval-2022 Task 3: Improving the generalizability of language models for taxonomy classification through data augmentation [0.0]
  本稿では,SemEval-2022 Task 3 PreTENS: Presuposed Taxonomies Evaluation Neural Network Semanticsについて述べる。 タスクの目標は、文に含まれる名詞対の間の分類学的関係によって、ある文が受け入れられているか否かを識別することである。 より優れた分類のための言語モデルの堅牢性と一般化性を高める効果的な方法を提案する。
  論文  参考訳（メタデータ） (2022-10-07T07:41:28Z)
• Unifying Language Learning Paradigms [96.35981503087567]
  データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。 本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。 また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
  論文  参考訳（メタデータ） (2022-05-10T19:32:20Z)
• A Provably Efficient Sample Collection Strategy for Reinforcement Learning [123.69175280309226]
  オンライン強化学習(RL)における課題の1つは、エージェントがその振る舞いを最適化するために、環境の探索とサンプルの活用をトレードオフする必要があることである。 1) 生成モデル(環境のスパースシミュレータなど)にアクセス可能な状態のサンプル数を規定する「対象別」アルゴリズム,2) 所定のサンプルをできるだけ早く生成する「対象別」サンプル収集。
  論文  参考訳（メタデータ） (2020-07-13T15:17:35Z)

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。