VLA ギャラリー / モデル一覧
ロボット VA・VLA モデル 211 件一覧
2022〜2026年のロボット VA・VLA モデル 211 件の個別仕様ページ。バックボーンLLM、アクションヘッド、学習GPU・データ、推論デバイス・メモリ、強化学習、ベース制御をまとめた。
参照ベースライン(2024年以前)8 モデル
| RT-1 | 2022-12 | 事前学習済みVLMなしで言語指示をFiLMで条件付けした35Mの実ロボット方策である。 |
| RT-2 | 2023-07 | 事前学習済みVLMをロボットデータとWebのVQA・キャプションデータで共同ファインチューニングし、行動をテキストトークンとして出力する。 |
| RT-1-X | 2023-10 | RT-1構造をOXE 9 embodimentの混合データで学習したクロスembodimentモデルである。 |
| RT-2-X | 2023-10 | RT-2を元のVLMデータとOXEロボット混合を約1:1で混ぜて共同ファインチューニングした。 |
| ACT | 2023-04 | 行動チャンクを一度に回帰し、時間アンサンブルで重なった予測を平均する低コスト双腕模倣学習方策である。 |
| Diffusion Policy (CNN) | 2023-03 | 行動シーケンスを拡散デノイジングで生成し、多峰性の行動分布を扱う方策である。 |
| Diffusion Policy (Transformer) | 2023-03 | CNN変形と同じ拡散方策をTransformerデノイザで実装した変形である。 |
| GR-1 | 2023-12 | 大規模な人の動画の未来フレーム予測で事前学習した後、ロボットデータで行動と未来画像を共に学習する。 |
VA17 モデル
| Mobile ALOHA | 2024-01 | 低コストの全身テレオペレーション移動双腕システムで静的ALOHAデータと共同学習し、タスクあたり20–50デモで移動操作を学習する。 |
| ALOHA Unleashed | 2024-10 | タスク別の拡散Transformerをタスクあたり数千件のテレオペレーションデモで学習し、靴紐結びのような精密な双腕作業を達成した。 |
| HPT | 2024-09 | 異種ロボット・シミュレーション・人の動画・配備ロボットのデータを共有トランクで事前学習し、エンボディメント間で表現を共有する。 |
| BAKU | 2024-06 | 約10Mパラメータのマルチタスク方策を、コンシューマー級GPU 1枚でベンチマークあたり6–26時間で学習する。 |
| VQ-BeT | 2024-03 | 連続行動を階層的な残差VQコードに変換し、反復デノイジングなしで一度に予測する。 |
| ScaleDP | 2024-09† | 拡散方策Transformerを10Mから1Bまで拡大し、性能向上を報告した。 |
| UMI | 2024-02 | GoProを付けたハンドヘルドグリッパーでロボットなしにデモを集め、ロボット方策に移す。 |
| DP3 | 2024-03 | 疎な点群を小さなMLPでエンコードし、タスクあたり10デモ程度で学習する3D拡散方策である。 |
| Data Scaling Laws | 2024-10 | UMIで4万件を超えるデモを集め、汎化が環境・物体数のべき乗則に従うことを示した。 |
| RISE | 2024-04 | 単一視点の点群をスパース3D畳み込みでエンコードし、Transformerと拡散ヘッドで行動を出力する。 |
| Robot Utility Models (RUM) | 2024-09 | 25ドルのBoMのiPhone収集ツールで課題あたり約1,000デモを約40環境で集め、新環境にゼロショットで展開する。 |
| EgoMimic | 2024-10 | Project Aria眼鏡で撮った一人称の人のデモとロボットのテレオペレーションを1つの方策で共同学習する。 |
| InterACT | 2024-09† | 双腕間の相互依存を階層的アテンションとアームごとのデコーダ同期でモデル化したACT系の方策である。 |
| CARP | 2024-12† | 行動列をマルチスケールトークンに変換し、粗いものから細かいものへ自己回帰予測する。 |
| Dense Policy | 2025-03 | エンコーダのみのTransformerで行動列を双方向に密に拡張し、対数時間で生成する。 |
| Chain-of-Action | 2025-06 | 目標キーフレームから現時点まで軌跡を逆向きに生成し、大域目標を行動に反映する。 |
| BRS (WB-VIMA) | 2025-03 | 移動ベース・4-DoFトルソ・双腕を持つGalaxea R1で、長期の家事全身操作を学習する。 |
自己回帰・潜在アクションVLA24 モデル
| Octo | 2023-12 | 事前学習済みVLMなしでOXE 800kエピソードにより学習した汎用VA方策である。 |
| OpenVLA | 2024-06 | OXE 970k軌跡で学習した公開7B VLAで、ECoT・TraceVLA・OpenVLA-OFT・UniVLAなどがこのスタックを基にした。 |
| OpenVLA-OFT | 2025-02 | OpenVLAのファインチューニング手法を並列デコーディング・アクションチャンク・L1回帰に変え、スループットを26~43倍に高めた。 |
| MiniVLA | 2024-12 | OpenVLAを7Bから約1Bに縮小し、VQアクションチャンクと履歴入力を加えた。 |
| TinyVLA | 2024-09 | ロボットデータの事前学習なしに小型VLMに拡散ヘッドを付け、LoRA(Transformerパラメータの5.0%)で学習する。 |
| ECoT | 2024-07 | アクションの前に計画・サブタスク・物体位置のような具体的な推論を生成し、OpenVLAの絶対成功率を28%高めた。 |
| LLaRA | 2024-06 | ロボット行動をLLaVA対話形式のテキストに変換し、6種の補助自己教師ありデータで学習する。 |
| 3D-VLA | 2024-03 | 3Dシーン理解と目標状態生成(拡散ワールドモデル)をアクショントークン予測と結合した。 |
| RoboFlamingo | 2023-11 | VLMを固定してresampler・クロスアテンション・方策ヘッドのみを学習する連続アクションVLAである。 |
| SpatialVLA | 2025-01 | 3D位置エンコーディングと適応型グリッドトークンで、7次元アクションを3トークンに削減した。 |
| LAPA | 2024-10 | アクションラベルのないロボット・人の動画から潜在アクションを学習し、VLAを事前学習する。 |
| UniVLA (OpenDriveLab) | 2025-05 | タスク非依存・タスク中心の2段階で潜在アクションを学習し、人間の動画やナビゲーションデータまで事前学習に使う。 |
| Magma | 2025-02 | UIナビゲーションとロボット操作を併せて扱うマルチモーダルエージェント基盤モデルである。 |
| TraceVLA | 2024-12 | 点追跡軌跡を画像プロンプトとして入れるvisual trace promptingで時空間認識を高めた。 |
| CoT-VLA | 2025-03 | サブゴール画像を先に生成する視覚的思考連鎖(visual CoT)VLAである。 |
| NORA | 2025-04 | Qwen2.5-VL-3BにFAST+アクショントークンを加えた3Bの自己回帰VLAである。 |
| MolmoAct | 2025-08 | 深度認識と視覚軌跡を経てアクションを出力する「アクション推論モデル」である。 |
| WorldVLA | 2025-06 | アクション生成と次画像予測(ワールドモデル)を一つの自己回帰モデルに統合した。 |
| UniVLA (BAAI) | 2025-06 | ビジョン・言語・アクションを1つの離散トークン列として扱い、ロボット動画でワールドモデルの事後学習を行う。 |
| Moto | 2024-12 | 動画から学習した潜在モーショントークンでGPTを事前学習した後、実際のアクションに結びつける。 |
| villa-X | 2025-07 | 潜在アクションを中間計画とし、ロボットアクション専門家と共に学習する。 |
| VLA-0 | 2025-10 | VLMの構造と語彙を変えずに、アクションを通常のテキスト数値として出力させる設計である。 |
| VLA-Adapter | 2025-09 | ロボット事前学習なしに0.5BバックボーンとBridge Attention方策でLIBERO 97.3%を達成した。 |
| RoboMamba | 2024-06 | TransformerではなくMamba状態空間モデルをLLMとして使ったVLAである。 |
πシリーズ9 モデル
| π0 | 2024-10 | VLMバックボーンに別個のflow matchingアクションエキスパートを付けたπシリーズ初のモデルで、7ロボット構成・68タスクの約10,000 hのデータで事前学習した。 |
| π0-FAST (FAST 토크나이저) | 2025-01 | アクションチャンクをDCTとBPEで圧縮し、高周波の連続制御を自己回帰トークンとして学習できるようにした。 |
| Hi Robot | 2025-02 | 上位VLMがユーザープロンプトと途中介入を1~3秒のスキル単位の言語命令に変換し、下位のπ0が実行する階層型システムである。 |
| π0.5 | 2025-04 | 一つのモデルがサブタスクテキストを先に予測してからアクションを出し、Web・複数ロボット・サブタスク注釈データと共同学習する。 |
| π0.5 + KI | 2025-05 | アクションエキスパートの勾配がVLMに流れないよう遮断してVLMの知識を保ちつつ、FASTトークンで表現を学習する。 |
| Real-Time Chunking (추론시 RTC) | 2025-06 | 再学習なしでdiffusion・flow VLAに適用する推論手法で、次のチャンクを実行中のアクションに合わせてinpaintingし、推論遅延中も途切れなく実行する。 |
| π0.6 | 2025-11 | バックボーンをGemma 3 4Bに、アクションエキスパートを約860Mに拡大し、豊富なメタデータ条件付けを加えた。 |
| π*0.6 (RECAP) | 2025-11 | デモ・自律rollout・専門家による修正をアドバンテージ条件付きオフラインRL(RECAP)で反復学習する。 |
| 학습시 RTC | 2025-12 | 推論遅延(実機0~10ステップの一様サンプル)を学習時に模倣してアクションprefix条件付けを学ぶため、推論時RTCの追加演算がない。 |
Flow·Diffusion VLA18 モデル
| RDT-1B | 2024-10 | 統合アクション空間で46個の異質なロボットデータセットを共に学習した拡散方策である。 |
| RDT2 | 2025-09 | ロボットのテレオペレーションの代わりに改良UMIハンドヘルド装置で100余りの家庭から集めた人のデモ約1万時間で学習した。 |
| CogACT | 2024-11 | VLMが出したcognition tokenを条件に別個のDiTがアクション系列を生成し、Adaptive Action Ensembleでチャンクを統合する。 |
| DiVLA (Diffusion-VLA) | 2024-12 | VLMが生成した推論文をFiLMで拡散方策ヘッドに注入し、GPT-4oで学習データを推論付き形式に変換した。 |
| DexVLA | 2025-02 | 1B拡散エキスパートをクロスエンボディメントデータで先に事前学習する3段階カリキュラムを用い、約5秒ごとにsub-stepの推論注釈を付ける。 |
| HybridVLA | 2025-03 | 一つのLLMが自己回帰予測と拡散アクション生成を共に行い、ARトークンの平均信頼度が0.96を超えると二つのアクションを平均する協調アンサンブルを用いる。 |
| Dita | 2024-10† | 言語・画像・timestep・ノイズ付きアクショントークンを一つのcausal transformerシーケンスに入れるin-context条件付けで拡散デノイジングを行う。 |
| SmolVLA | 2025-06 | コミュニティSO100データセット481個で事前学習した0.45Bの小型VLAで、単一GPU学習と民生GPU・CPUへのデプロイを目指す。 |
| X-VLA | 2025-10 | エンボディメント別のsoft prompt(全パラメータの0.04%)で7プラットフォームの異質性を吸収する。 |
| FLOWER | 2025-09 | VLM中間層の融合とアクション空間別のGlobal-AdaLNでパラメータを20%以上削減し、約200 H100 GPU時間で事前学習した。 |
| InternVLA-M1 | 2025-10 | VLMがまず重要物体の位置を見つける空間groundingを事前学習した後、DiTアクションエキスパートを付けるデュアルシステムである。 |
| WALL-OSS | 2025-09 | 推論(CoT)・サブタスク計画・連続アクションを一つの流れで出すUni-CoTを用い、アクション用とVL用のFFNを分離した。 |
| EO-1 | 2025-08 | ビジョン・テキスト・アクションを混ぜたinterleavedシーケンスで、推論とアクションを1つのデコーダで共に学習する。 |
| GraspVLA | 2025-05 | 実ロボットデータなしで合成SynGrasp-1B(10M軌跡)とWeb grounding(GRIT)を共同学習し、ゼロショット把持を行う。 |
| Evo-1 | 2025-11† | ロボットデータの事前学習なしに0.77BでMeta-World 80.6%、RoboTwin 37.8%を達成し、SmolVLA・π0より高いと報告する。 |
| NORA-1.5 | 2025-11 | 自己回帰VLAにflowエキスパートを付けてFAST+トークンと連続アクションを同時に学習し、DPO報酬による事後学習を加えた。 |
| F1-VLA | 2025-09 | アクションの前に未来の視覚シーン(foresight)をnext-scale方式で生成して計画に使うVLAである。 |
| DexGraspVLA | 2025-02 | 既製のVLM plannerが目標物体を指定し、セグメンテーションマスクとDINOv2特徴を受け取るDiT controllerがデクスタラスハンドで把持を行う。 |
産業界モデル24 モデル
| Gemini Robotics | 2025-03 | クラウドバックボーンとオンボードデコーダに分け、観測からaction chunkまで約250ms、実効50Hzで制御する。 |
| Gemini Robotics-ER | 2025-03 | 行動の代わりにpointing、3D bbox、grasp予測のような空間理解の結果を出力するVLMである。 |
| Gemini Robotics On-Device | 2025-06 | データネットワークなしにロボット上でローカル実行できるよう、最小限の計算を目標に設計した。 |
| Gemini Robotics 1.5 | 2025-09 | 行動の前に自然言語で思考する'Thinking VLA'で、Motion Transferにより複数embodimentのデータを共に学習する。 |
| Gemini Robotics-ER 1.5 | 2025-09 | ロボットの活動を調整する上位の「頭脳」で、GR 1.5に段階的な自然言語指示を出す。 |
| RT-H | 2024-03 | 一つのモデルが'move arm forward'のようなlanguage motionを先に予測してから行動を予測する階層型VLAである。 |
| AutoRT | 2024-01 | ロボットフリートをLLM・VLMで調整し実環境データを大規模に収集するシステムであり、モデルではない。 |
| SARA-RT | 2023-12 | 事前学習・ファインチューニング済みTransformerロボット方策の二次計算量のアテンションを線形アテンションに置き換える効率化手法である。 |
| GR-2 | 2024-10 | Web動画38M clipsで未来フレーム生成を事前学習した後、ロボット軌跡で動画・行動を合わせてファインチューニングする。 |
| GR-3 | 2025-07 | ロボット軌跡、WebのVision-Languageデータ、VRの人の軌跡を共に学習し、新しい物体・指示へ汎化する。 |
| GR-RL | 2025-12 | 学習したtask progress(Q値)でデモを選別し、左右対称拡張の後に潜在ノイズ予測器でオンラインRLを行う。 |
| GR-Dexter | 2025-12 | 21-DoFの人型ハンド2つを備えた固定双腕(計56-DoF)を4B VLAで制御する。 |
| TRI LBM 1.0 | 2025-07 | LLM・VLMなしでCLIP言語条件を受けるdiffusion transformer方策である。 |
| GO-1 | 2025-03 | 人の動画から学んだembodiment非依存のlatent actionで計画し、Action Expertが実際の行動に変換する。 |
| Genie Envisioner | 2025-08 | 動画world model(GE-Base)の表現を軽量行動デコーダ(GE-Act)が受け取って行動を生成し、GE-Simが行動条件付き動画シミュレータの役割を果たす。 |
| RFM-1 | 2024-03 | 言語指示の理解、in-context学習、行動条件付き動画予測を一つの8Bモデルで処理する。 |
| Skild Brain | 2025-07 | 四足歩行・ヒューマノイド・テーブルトップアーム・モバイルマニピュレーターを一つで制御するomni-bodiedモデルを標榜する。 |
| DYNA-1 | 2025-06 | タスク進捗を評価する報酬モデルで誤りを自ら見つけて直し、商用の反復操作の長時間無介入運用を目指す。 |
| GEN-0 | 2025-11 | 実世界の操作データ270,000 hで事前学習したembodied foundation modelである。 |
| Galaxea G0 | 2025-08 | 高レベル指示をVLM plannerが処理し、VLA executorが実行する2階層構造である。 |
| GigaBrain-0 | 2025-10 | world model GigaWorldで作った生成データ(Real2Real、Sim2Real、人間動画の変換など)で実ロボットデータへの依存を減らす。 |
| RynnVLA-001 | 2025-08 | ego-centric人間操作動画12M本で動画生成を事前学習した後、軌跡認識動画モデリングとVLAファインチューニングへと続く3段階学習である。 |
| UnifoLM-WMA-0 | 2025-09 | world modelと行動生成を束ねたUnitreeのオープンフレームワークで、アームのテーブルトップ操作でデモした。 |
| V-JEPA 2-AC | 2025-06 | インターネット動画100万時間以上でworld modelを自己教師あり学習し、ラベルなしロボット動画62 h未満で行動条件付き予測器を付け加えた。 |
ヒューマノイドVLA14 モデル
| GR00T N1 | 2025-03 | 行動ラベルのない人間動画・ニューラル生成動画に潜在行動(LAPA)・逆動力学モデル(IDM)の疑似行動を付け、実ロボット・シミュレーションデータと共に事前学習する。 |
| GR00T N1.5 | 2025-05 | VLMを事前・事後学習とも凍結し、flow matchingにFLARE(未来潜在表現の整合)損失(係数0.2)を加えて人間の一人称動画からも学ぶ。 |
| GR00T N1.6 | 2025-09 | N1.5のVLM後段の4層アダプタを取り除き、VLM上位4層の凍結を解除し、DiTを2倍(32層)に拡大した。 |
| Figure Helix | 2025-02 | S2の潜在ベクトルをS1のトークン空間に射影して視覚特徴と連結し、1組の重みを回帰損失でend-to-end学習する。 |
| Atlas LBM | 2025-08 | グリッパー関節・首ヨー・胴体姿勢・手・足の姿勢を含む全身行動を1つの方策が直接出力する。 |
| 1X Redwood AI | 2025-06 | アーム・ハンド指令と共に歩行・操作・骨盤姿勢指令を同時に予測し、全身・多接触操作を行う。 |
| Tesla Optimus | 2024-05(2차) | 公式の技術公開はなく、二次情報によれば2Dカメラとハンドの触覚・力センサーを使うend-to-endニューラルネットがFSDコンピュータ上でリアルタイムに動く。 |
| Being-H0 | 2025-07 | 人の手動画によるVLA事前学習、物理空間の整合、ロボットタスクの事後学習をつなぐ'physical instruction tuning'を用いる。 |
| Humanoid-VLA | 2025-02 | 言語と一人称視覚から全身モーションを生成し、RLトラッカーが実行する階層構造である。 |
| LeVERB | 2025-06 | 潜在行動語彙(latent verb)でビジョン-言語層と全身制御層をつなぐ階層型VLAで、シミュレーションのみで学習しG1にzero-shot転移する。 |
| UH-1 (Humanoid-X) | 2024-12 | ビジョン入力なしに言語をヒューマノイドの動作に変換するVLA隣接モデルである。 |
| EgoVLA | 2025-07 | 人の一人称動画で事前学習した後、ロボットデモでファインチューニングし、人の手の動作空間をヒューマノイドの両手操作へ移す。 |
| HAT | 2025-03 | 人のVRデモとヒューマノイドのテレオペレーションを同じ54次元行動空間で共同学習する。 |
| WholeBodyVLA | 2025-12 | 行動ラベルのない低コストの一人称動画から学ぶ統合潜在学習で、広い空間でのロコ-マニピュレーションを行う。 |
ヒューマノイド全身制御器18 モデル
| HumanPlus HST | 2024-06 | 人の動作をリアルタイムでヒューマノイドに移すシャドーイング用の低レベルトラッカーである。 |
| HumanPlus HIT | 2024-06 | シャドーイングで集めたタスクあたり最大40件のデモから自律的な全身スキルを学ぶ視覚運動方策である。 |
| Humanoid Locomotion as Next Token Prediction | 2024-02 | 実世界の歩行を次トークン予測問題とみなし、RL方策・モデルベース制御器・モーションキャプチャ・YouTube動画の軌跡を合わせて学習する。 |
| Challenging-Terrain Transformer | 2024-10 | 既存方策・モデルベース制御器・人のモーションキャプチャ軌跡でシーケンスモデリング事前学習の後、RLでファインチューニングする。 |
| BeyondMimic | 2025-08 | 適応サンプリングで長いモーションの難しい区間を学習し、LAFAN1の動作をパラメータ調整なしで実機に移す。 |
| LeVERB-A | 2025-06 | Vision-Languageに依存しないRL教師群をDAggerでTransformer生徒に蒸留し、潜在指令を全身行動に変換する。 |
| OmniH2O | 2024-06 | VR・RGBキーポイントで全身を遠隔操作するトラッカーであり、集めたデモで自律方策を学習するプラットフォームである。 |
| HOVER | 2024-10 | 指令モード・スパースマスクで複数の制御モードを1つのマルチモーダル全身方策に統合する。 |
| iDP3 | 2024-10 | 一人称3D点群拡散方策で、ヒューマノイド上半身の操作をオンボード計算のみで15 Hzで行う。 |
| ExBody2 | 2024-12 | 追跡誤差しきい値τ* = 0.150で学習モーションを自動選別し、表現力のある全身動作を追従する。 |
| TWIST | 2025-05 | PPO特権教師とRL+BC共同最適化の学生で、モーキャプベースの全身遠隔操作を行う。 |
| TWIST2 | 2025-11 | モーキャプなしでPICO4U VRと特注の2-DoFロボット首(約$250)で遠隔操作データを収集する。 |
| AMO | 2025-05 | 軌跡最適化(Crocoddyl BoxFDDP)で作ったハイブリッドデータで胴体指令に適応し、超高自由度の全身操作を行う。 |
| GMT | 2025-06 | 適応サンプリング(10秒超のモーションを10秒に切り、完了度で重み付け)とMoEにより、単一方策が多様な人間動作を追従する。 |
| SONIC | 2025-11 | モーショントラッキングをデータ・モデル・計算の規模で拡大した汎用トークン全身制御器である。 |
| VIRAL | 2025-11 | RL教師を大規模タイルレンダリングのシミュレーションでRGB学生に蒸留し、視覚ベースのロコマニピュレーションを実機に移す。 |
| BumbleBee | 2025-06 | モーションクラスタリングとsim-to-real適応を組み合わせたエキスパート-ジェネラリスト学習フレームワークである。 |
| Figure RL 보행 제어기 | 2025-03 | 物理パラメータが互いに異なるFigure 02数千台を並列シミュレーションし、数年分のシミュレーションデモを数時間で学習する。 |
2026年の新モデル35 モデル
| G0Plus | 2026-01 | Galaxeaが2026年1月に公開したチェックポイント(G0Plus_3B-base)で、実世界ロボットデータ2k時間以上で事前学習した。 |
| InternVLA-A1 | 2026-01 | シーン理解・視覚予測生成・アクション実行を一つのMoTで協調させる。 |
| 1X World Model (1XWM) 정책 | 2026-01 | 世界モデルが生成した動画フレーム間のアクションをIDMが抽出する動画生成ベースの方策である。 |
| Spirit v1.5 | 2026-01 | 精選データの代わりに、多様で緩く統制された収集データで学習した。 |
| Being-H0.5 | 2026-01 | UniHand-2.0(人間の一人称16,000時間・ロボット14,000時間以上)で30エンボディメントを学習した。 |
| Cosmos Policy | 2026-01 | 事前学習済み動画モデルを構造変更なしで方策として学習した動画モデル方策である。 |
| Rho-alpha (ρα) | 2026-01(2차)† | Microsoft Phi系から派生した初のロボットモデルで、触覚を加えた'VLA+'である。 |
| LingBot-VLA | 2026-01 | 双腕ロボット9種の実データ約20,000時間で事前学習した。 |
| Helix 02 | 2026-01 | S1は上半身から全身制御へと拡張され、S0は手書きのC++ 109,504行を置き換える学習型全身制御器である。 |
| UnifoLM-VLA-0 | 2026-01 | Unitree G1で単一方策により12カテゴリの操作タスクを実行する。 |
| HoloBrain-0 | 2026-02 | 多視点カメラパラメータと運動学記述でエンボディメント情報を注入する。 |
| G0Tiny | 2026-02 | Galaxeaの250M軽量モデルで、SmolVLM2バックボーンを用いる。 |
| Xiaomi-Robotics-0 | 2026-02 | Λ字型attention maskとRoPE位置オフセットで非同期実行を学習する。 |
| DreamZero | 2026-02 | 動画とアクションを同時に予測する世界行動モデル(WAM)である。 |
| EgoScale | 2026-02 | 一人称の人間動画20,854時間以上でVLAを事前学習し、器用な操作課題の平均成功率を54%向上させた。 |
| Ψ0 (Psi-Zero) | 2026-03 | 人の動画約800時間とロボットデータ30時間だけで、10倍以上のデータを使う基準モデルを40%以上上回ったと報告した。 |
| GR00T N1.7 | 2026-03 | EgoScaleの人間動画20K時間とロボットデモで事前学習した公開の推論型VLAである。 |
| GEN-1 | 2026-04 | 事前学習データにロボットデータがなく、人のウェアラブル機器データ50万時間以上で学習した。 |
| GO-2 | 2026-04(2차) | アクション空間で直接計画するAction CoTと非同期デュアルシステムを組み合わせた。 |
| Being-H0.7 | 2026-04 | BeingBeyondが「フラッグシップWAM」として紹介した3Bモデルで、LIBERO平均99.2%を報告した。 |
| π0.7 | 2026-04 | 言語に実行品質・速度・戦略のメタデータとサブゴール画像を加えた多様なコンテキスト条件付けが核心である。 |
| MolmoAct 2 | 2026-05 | 行動推論モデルで、Thinkバリアントは適応深度の推論トークンを用いる。 |
| G0.5 | 2026-06 | 推論とアクションを一つの自己回帰ストリームで出すデコーダ専用VLAである。 |
| SyVLA | 2026-06 | 事前学習の計算量(H200 32基、約1.5日)を公開した学術VLAである。 |
| OpenHLM | 2026-06 | π0.5を全身指令出力向けにファインチューニングし、SONIC低レベル全身制御器の上に載せたヒューマノイドレシピである。 |
| Galbot AstraBrain(银河星脑) 계열 | 2026-06(2차) | 银河星脑/AstraBrain、AstraBrain-Agent、AstraBrain-WBC 0.5、DexNDM(器用なハンドの世界モデル)からなるシリーズである。 |
| InternVLA-A1.5 | 2026-07† | 学習時のみWAN2.2-5B動画教師で潜在視覚予測トークンを監督し、推論時は動画分岐を外す。 |
| TurboVLA | 2026-07 | 0.2Bの軽量VLAで推論遅延31.2 ms(32 Hz)、推論VRAM 0.9 GBを報告した。 |
| Gemini Robotics 2 | 2026-07 | 視覚・言語入力をつま先から指先までの全身モーター制御に変換するVLAである。 |
| Gemini Robotics On-Device 2 | 2026-07 | ロボット上でローカルに動くVLAで、新しい双腕エンボディメントに数時間・例200件未満で適応する。 |
| DYNA-2 | 2026-08 | 一人称の人間動画100万時間以上で事前学習した世界行動モデル(WAM)である。 |
| Skild S1 | 2026-08(Skild)/2026-09(NVIDIA) | 動画デモ1本で新タスクを重み更新なしに実行するインコンテキスト学習VAである。 |
| GEN-1.5 | 2026-08 | 3–12秒のデモを物理プロンプトとして受け取り、重みを更新せずに新課題を実行する。 |
| ω-0 (OMEGA-0) | 2026-08 | 言語・一人称/三人称動画・固有感覚から未来の観測埋め込みを予測しつつ、行動DiTでSONIC互換の全身行動潜在を生成するヒューマノイド潜在予測world action model… |
| Qwen-VLA | 2026-05 | Qwen VLMにDiT flow-matchingデコーダを付けて操作・ナビゲーション・軌跡予測を1つの行動・軌跡空間にまとめ、ロボット別プロンプト条件付けにより1つの重みで複… |
モバイルマニピュレーション16 モデル
| TidyBot++ | 2024-11 | 全方向(holonomic)パワードキャスターベースとスマートフォンテレオペレーションデモでタスク別のDiffusion Policyを学習し、ベース目標姿勢とアーム手先目標を同… |
| MoManipVLA | 2025-03 | 固定ベース用の事前学習VLAが出した末端waypointを実現可能にするベースwaypointを二重最適化で見つけ、VLAをモバイルマニピュレーションへ転移する。 |
| AC-DiT | 2025-07 | ベース行動のみで先に学習した軽量モビリティヘッドの潜在表現を全身行動生成の条件として入れ(mobility-to-body)、段階ごとの必要に応じて2D画像と3D点群の重みを調整… |
| SG-VLA | 2026-03 | ロボットの大域姿勢・関節構成・把持成功・目標物体姿勢・セグメンテーションマスクを復元する補助デコーダをVLAと段階的に共同学習し、空間groundingを強化する。 |
| PanoVLA | 2026-08 | π0.5にパノラマエキスパートを挟んだMixture-of-Transformersで360°パノラマの大域的空間コンテキストをローカルカメラビューと融合し、単一のVR全身テレオ… |
| HarmonicMM | 2023-12 | ナビゲーションと操作のモジュールを分けず、RGBのみでベースと腕を同時に動かす単一方策をProcTHORシミュレーションでDD-PPOによりエンドツーエンド学習する。 |
| ACT-1 | 2025-11 | Skill Capture Gloveで集めた人間デモをSkill Transformでロボットデータに変換し、テレオペレーションのロボット軌跡なしで長期操作と3D地図条件付きナ… |
| UMI on Legs | 2024-07 | UMIハンドヘルドデモで学習したdiffusion操作方策がタスク座標の末端軌跡を出力し、シミュレーションRLで学習した操作中心の全身制御器(WBC)がそれを追従して四足+アーム… |
| VBC | 2024-03 | 視覚の高レベル方策がベース速度と末端姿勢の目標を出し、脚関節を使うRL低レベル方策がそれに追従する階層型の四足+アーム全身制御フレームワークである。 |
| Helpful DoggyBot | 2024-09 | 前面下部に1-DoFグリッパを付けたGo2に、シミュレーションRLで学習した一人称深度ベースの俊敏な制御器と事前学習VLMによる認識・比例制御を組み合わせたモジュール型の屋内物体… |
| QUAR-VLA (QUART) | 2023-12 | 単一RGBと言語指示から四足の高レベル指令(速度・歩容・姿勢)を離散トークンで出力する四足VLAタスクの定義とQUARTモデル、シミュレーション・実ロボットのQUARDデータセッ… |
| QUART-Online | 2024-12 | 連続行動チャンクを残差VQコードに圧縮するACDにより、MLLMが1回の推論で複数ステップの指令を出すようファインチューニングし、パラメータ削減なしで遅延を解消した四足VLAであ… |
| MoRE | 2025-03 | Fuyu-8Bに多数のLoRAエキスパートを疎なMoEとして組み込み、VLAをQ関数とみなして成功・失敗が混在する自動収集データでオフラインRL学習した四足VLAである。 |
| RoboDuet | 2024-03 | 歩行方策と腕方策の2つのRL方策が協調し(腕方策が胴体ピッチ・ロールを指示)、四足+腕のベース移動と手先6D姿勢追従を同時に行う2段階学習の全身制御フレームワークである。 |
| Learning Visual Quadrupedal Loco-Manipulation from Demonstrations | 2024-03 | 前脚1本でパラメータ化されたベジェ軌跡に追従しつつ残り3本の脚で歩行するRL低レベル制御器と、点群ベースのDP3 diffusionプランナーが軌跡パラメータを出す階層型の脚操作… |
| SLIM | 2025-01 | 手首RGB 1台と言語指示で探索・接近・把持・運搬・投下の長期タスクを行う四足+アーム方策を、MuJoCoシミュレーションRL(特権教師→視覚生徒)のみで学習し、実ロボットに追加… |
ナビゲーション28 モデル
| GNM | 2022-10 | 6種のロボットから集めた異質な走行データを正規化行動空間と時間コンテキストで統合し、単一の画像目標条件付きナビゲーション方策を学習する。 |
| ViNT | 2023-06 | GNMデータ混合を拡張したマルチロボット走行データで31M Transformer方策を学習し、目標トークンをGPS座標・経路指令など他の目標モダリティ用のsoft prompt… |
| NoMaD | 2023-10 | 目標画像を確率的に隠す目標マスキングで、目標指向ナビゲーションと目標なし探索を1つの拡散方策で処理する。 |
| CrossFormer | 2024-08 | 20種のエンボディメントの900K軌跡を観測・行動空間を揃えずに単一の130M Transformerで学習し、単腕・双腕、車輪型、四足、クアッドコプターをすべて制御する。 |
| LeLaN | 2024-10 | YouTubeのツアー・人間の歩行動画とロボット走行データにSAM・VLM(CogVLM)・GPT-3.5で物体指示文を付け、深度推定で物体位置をラベリングして言語条件付き物体ナ… |
| CityWalker | 2024-11 | 数千時間のYouTubeの都市歩行・走行動画にDPVO視覚オドメトリで軌跡ラベルを付け、GPS目標条件付きの都市ナビゲーション方策を模倣学習する。 |
| NWM | 2024-12 | ロボットの走行動画と行動で1B条件付き拡散Transformer(CDiT)world modelを学習し、行動シーケンスの未来の映像を想像して目標画像との類似度で軌跡を計画・評… |
| X-Mobility | 2024-10 | 自己回帰潜在world modelで環境動力学を先に学習し、その潜在状態の上で行動方策を分離して学習することで、シミュレーションデータのみで汎化するエンドツーエンドのナビゲーショ… |
| COMPASS | 2025-02 | 模倣学習ベースの方策の上にエンボディメント別の残差RLエキスパートを学習した後、それをエンボディメント条件付きの単一方策に蒸留し、車輪型・四足・ヒューマノイドのナビゲーションを統… |
| OmniVLA | 2025-09 | 言語・目標画像・2D目標位置を単独または組み合わせで受け取るオムニモーダルなナビゲーションVLAで、OpenVLA 7Bを10プラットフォーム9,500時間のデータでLoRA学習… |
| RING (The One RING) | 2024-12 | シミュレーションでカメラ位置・画角・衝突体サイズなどをランダム化した100万個のエンボディメントの専門家軌跡で模倣学習した後、DD-PPOでRLファインチューニングし、形状に依存… |
| NavDP | 2025-05 | シミュレーションデータのみで、RGB-D観測からの軌跡生成(diffusion)と軌跡評価(critic)を一つのTransformerで同時に学習し、criticはシミュレーシ… |
| NaVid | 2024-02 | 単眼RGB動画履歴と言語指示のみで次の行動を言語で出力する動画VLMベースのVLNエージェントで、地図・オドメトリ・深度なしに連続環境(VLN-CE)で動作する。 |
| Uni-NaVid | 2024-12 | VLN・ObjectNav・EQA・人物追従の4つのナビゲーションタスクの入出力形式を統一して1つの動画VLAとして学習し、オンライントークンマージと4ステップ行動予測で約5 H… |
| NaVILA | 2024-12 | VLAが低レベル関節指令の代わりに距離・角度を含む中レベル言語行動を出力し、LiDARハイトマップを使うRL歩行方策がそれを障害物回避とともに実行する2段階構造である。 |
| Mobility VLA | 2024-07 | 環境デモのツアー動画全体を長コンテキストVLM(Gemini 1.5 Pro)に入れてテキスト・画像指示に合う目標フレームを探し、同じツアーで作ったトポロジカルグラフで低レベルの… |
| StreamVLN | 2025-07 | 連続動画をマルチターン対話として処理し、最近の対話はスライディングウィンドウKVキャッシュで再利用し、過去の視覚情報は3Dボクセルベースのトークン枝刈りメモリで圧縮するストリーミ… |
| NavFoM | 2025-09 | 四足・ドローン・車輪型・車両など複数のエンボディメントと、VLN・物体探索・追跡・自動運転タスクを一つのモデルで学習したナビゲーション基盤モデルで、視点・時間指示トークンとトーク… |
| InternVLA-N1 | 2025-07 | VLMベースのSystem 2が画像上のピクセル目標・潜在計画を低周波で出し、diffusionベースのSystem 1がそれを条件に高周波軌跡を生成する非同期デュアルシステムの… |
| TrackVLA | 2025-05 | 共有LLMの上に目標認識用の言語ヘッドと軌跡計画用のanchorベースdiffusionヘッドを並列に置き、認識と追跡軌跡計画を併せて学習する身体性視覚追跡VLAである。 |
| VLN-R1 | 2025-06 | 汎用VLM(Qwen2-VL)を一人称動画ベースのVLNでSFTした後、時間減衰報酬(TDR)を使うGRPO強化ファインチューニング(RFT)で多段階の行動予測を改善した。 |
| ABot-N0 | 2026-02 | LLM BrainとflowマッチングのAction Expertを組み合わせたBrain-Action構造で、ポイント・物体・指示・POI・人物追従の5つのナビゲーションタスク… |
| VLingNav | 2026-01 | 必要なときだけ明示的推論をオンにする適応型CoTと、言語要約・主要視覚特徴を組み合わせたメモリを備えたナビゲーションVLAで、模倣学習の後に専門家誘導オンラインRLで事後学習した。 |
| TIC-VLA | 2026-02 | 遅いVLM推論の遅延した状態と明示的な遅延情報(推論・経過時間、自己運動)を条件として、速いアクション方策が非同期で制御するthink-in-control VLAである。 |
| FutureNav | 2026-06 | VLMの隠れ状態の上で行動予測と逆・順ダイナミクス、未来の空間状態生成を併せて学習するworld-actionモデリングをVLNに導入し、推論には方策ヘッドのみを使って速度を維持… |
| Uni-LaViRA | 2026-05 | 事前学習済みMLLMが言語で方向を選び、視覚で目標ピクセルを指すと、それをロボット行動に変換する学習不要のエージェントで、TODO List MemoryとSecond Chan… |
| LightNav-0 | 2026-08 | 事前学習済みVLMに新しいヘッドを加えず、ポインティングトークンとRVQ行動トークンだけを追加して指示追従・物体探索・視覚追跡を一つのトークンインターフェースに統合し、ER中間学… |
| Qwen-RobotNav | 2026-06 | タスクモードと観測コンテキスト(トークン予算・時間減衰・カメラ重み)をパラメータ化して学習時にランダム化し、1つのモデルがVLN・物体探索・追跡・自動運転を上位エージェントプラン… |