論文の概要: CalVLA: Shaping Native Confidence in Vision-Language-Action Policies with Outcome Supervision

• arxiv url: http://arxiv.org/abs/2611.00394v1
• Date: Fri, 30 Oct 2026 21:18:15 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:19:39.583598
• Title: CalVLA: Shaping Native Confidence in Vision-Language-Action Policies with Outcome Supervision
• Title（参考訳）: CalVLA: アウトカム・スーパービジョンによるビジョンランゲージ・アクション・ポリシーにおけるネイティブ信頼の形成
• Abstract要約: CalVLAは、成功して失敗したロールアウトを用いて、ネイティブアクションの信頼性を形作る。 低ランクアダプタは補助故障検知器なしでOpenVLA-7Bを更新する。 結果は、障害判別の改善、制御の改善、あるいは確立された安全性のメリットを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Can a vision-language-action (VLA) policy signal likely task failure from its own action probabilities? We introduce CalVLA, which shapes native action-token confidence using successful and failed rollouts and an Action-Confidence Alignment (ACal) squared margin-ranking loss. Low-rank adapters update OpenVLA-7B without an auxiliary failure detector. Observations are paired within tasks at similar normalized elapsed times, not necessarily equivalent physical progress. On a held-out test split from 500 LIBERO-10 configurations, adapted confidence achieves a joint failure-discrimination AUROC of $0.7392\pm0.0480$ over three seeds, averaging scores at 130 and 260 steps. Frozen-policy probes reach 0.6146--0.6436, but superiority over the linear probe is statistically inconclusive. For the same confidence summary, AUROC rises from 0.4485 before adaptation to 0.7327 after adaptation. Mean task success decreases from 58% to 55%. These results show improved failure discrimination, not improved control or established safety benefits.
• Abstract（参考訳）: ビジョン・ランゲージ・アクション(VLA)ポリシーは、おそらく自身の行動確率からタスクの失敗を示すことができるか? CalVLAを導入し、成功し失敗したロールアウトとAction-Confidence Alignment(ACal)2乗のマージンレベルの損失を用いて、ネイティブアクションに対する信頼を形作る。 低ランクアダプタは補助故障検知器なしでOpenVLA-7Bを更新する。 観察は、必ずしも等価な物理的進歩ではなく、同様の正常化された経過時間でタスク内でペアリングされる。 500 LIBERO-10 の構成から分離したホールドアウトテストでは、適応信頼度は、0.7392\pm0.0480$で、130 と 260 のステップでスコアを平均化する。 凍結ポリシープローブは0.6146--0.6436に達するが、線形プローブよりも優位性は統計的には決定的ではない。 同じ信頼性の要約では、AUROCは適応前の0.4485から適応後の0.7327まで上昇する。 平均タスク成功率は58%から55%に低下する。 これらの結果から, 障害判別は改善し, コントロールは改善せず, 安全性も確立された。

関連論文リスト

• When to Stop Penalizing Actions? Martingale GRPO for VLA Reinforcement Learning [57.346051877313705]
  Martingale GRPO はイベント誘導トランケーションのための視覚言語モデル (VLM) を備えている。 故障フィードバックは選択されたエラー間隔を通して保持され、その後削除され、成功したロールアウト損失項と元の損失正規化が保存される。 RoboTwin 2.0でのOpenVLA-OFTの実験により、MART-GRPOは複数のタスクにわたる全軌道GRPOよりも成功率を向上させることが示された。
  論文  参考訳（メタデータ） (2026-10-23T09:56:27Z)
• When Better Policies Leave Harder Failures: Coverage Shift in VLM Success Monitoring [2.256249780306427]
  政策改善時に成功を判断する固定視覚言語モデル(VLM)について検討する。 20シードのトレイ配置実験では、トレーニングはシミュレータ検証された成功のみを選択する。 成功率は66.8%から97.0%に上昇し、ホバリング失敗は5.0%から0.9%に低下する。
  論文  参考訳（メタデータ） (2026-10-17T18:08:27Z)
• VeriVLA: Adaptive Test-Time Verification for Flow-Based VLAs with Latent World Models [50.77784979595945]
  トレーニング不要な2軸トリガを導入し,時間内変動とサンプル間のばらつきを測定した。 一度起動すると、JEPAベースの潜在世界モデルは、アクション条件付き将来の潜在状態を予測することによって、候補アクションチャンクをランク付けする。 提案手法は, 平均完了スコアを50.8%から65.5%に引き上げると同時に, トリガ決定毎のサンプリングと検証に326msを加算する。
  論文  参考訳（メタデータ） (2026-10-15T14:34:44Z)
• When Reasoning Helps Action: Monitoring and Steering Chain-of-Thought in Vision-Language-Action Policies [7.580719272198118]
  推論可能なVLAポリシは、そのアクションの説明とガイドのように見えるチェーンオブ思想のトレースを公開する。 信頼性と動作性を評価するための2つの評価軸を定義し,運用する。 アルパマヨ1.5の運転VLAでは、TRUSTは88.9%の精度で正確さを監視し、推論の正確さを75.9%から90.0%に改善する。
  論文  参考訳（メタデータ） (2026-09-30T19:04:58Z)
• Speculative Evaluation of Stochastic LLMs [48.902430583833585]
  投機的評価は、短い一様パイロットと、タスク毎の成功回数のプールを実行する。 HBN-asyncは、部分的なパイロットフィードバックからの継続を投機的に実行し、最終的なアロケーションによって選択されたものを保持する。 1タスクあたり8-64のロールアウト予算では、投機的評価は、Uniformに対する分散を平均12.8%から33.6%削減する。
  論文  参考訳（メタデータ） (2026-09-23T09:20:22Z)
• TRACE: A Self-Evolving Skill Bank for Consistent, Limit-Aware LLM Agents [41.82249291285459]
  TRACEは、モデルウェイトを変更することなく、スキルベースのエージェントの行動知識を反復的に改善する。 GPT-5.5では、TRACEは一貫性(Pass3)を34.6ポイント改善し、59.9%から94.5%に改善した。 これらの結果から,TRACEは高モデルポテンシャルを安定かつ一貫した性能向上に変換することを示した。
  論文  参考訳（メタデータ） (2026-08-24T04:36:03Z)
• Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
  クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。 共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。 このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
  論文  参考訳（メタデータ） (2026-08-08T13:22:14Z)
• Evaluation Awareness Is Not One Capability: Evidence from Open Language Models [1.758143872501506]
  安全ベンチマークは、テスト条件の振る舞いがデプロイメントの振る舞いを予測すると仮定する。 これにより、ベンチマークパフォーマンスとデプロイメントの動作のギャップが開ける。 我々は、37のオープンウェイトモデルと7つのファミリーにわたる8つの実験を通して、この評価意識を特徴づける。
  論文  参考訳（メタデータ） (2026-06-22T16:48:43Z)
• Know When You're Wrong: Aligning Confidence with Correctness for LLM Error Detection [0.0]
  大規模言語モデル(LLM)は、ますます重要な意思決定システムにデプロイされている。 出力アンカートークン確率に基づく正規化信頼スコアを導入する。 これにより、最小限のオーバーヘッドでエラーや幻覚を直接検出できる。
  論文  参考訳（メタデータ） (2026-02-18T07:05:12Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)

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。