VLA ギャラリー / モデル一覧 / 産業界モデル

GR-RL

ByteDance Seed · 2025-12

VLA産業界モデル5Bflow matching

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。

論文

GR-RL: Going Dexterous and Precise for Long-Horizon Robotic ManipulationarXiv 2512.01801

概要

分類

産業界モデル

タイプ

VLA

発表

2025-12

機関

ByteDance Seed

重み公開

未確認

パラメータ

5B(VLA + critic MoT全体); オンラインRL noise predictorの学習パラメータ 51.5M

構造

バックボーンLLM

Qwen2.5-3B · Qwen2.5-VL-3B構成

ビジョンエンコーダ

Qwen2.5-VL ViT

アクションヘッド

flow matching DiT + 分布型critic (flow matching)

チャンク

非公開

制御周期

非公開

構造の原文要約

MoT: VLA(Qwen2.5-VL-3B-Instruct + flow-matching action DiT) + multi-task distributional critic; オンラインRL用latent noise predictor

学習

事前学習アクセラレータ

非公開

事前学習期間

非公開

事前学習ステップ・バッチ

非公開

GPU・TPU時間

非公開

ファインチューニング

非公開(オンラインRL 500 stepsのチェックポイントで評価)

データ種類

実ロボットのデモ + 実ロボットでのオンラインRL

データ規模

デモ時間・エピソード数、オンラインRL時間は非公開

主要データセット

独自の靴ひもデモデータ

タスク・評価

靴ひも通し 45.7%(GR-3) → 61.6%(フィルタリング) → 72.7%(対称性拡張) → 83.3%(オンラインRL)

ロボット

ByteMini-v2双腕

推論

推論デバイス・速度

非公開

推論メモリ

非公開

重み bf16(計算)

10 GB

実行場所

非公開

強化学習・ベース

強化学習

使用 (VLAのRL事後学習) · 分布型criticでデモを選別・拡張した後、実ロボットでオンラインRL(潜在ノイズ予測器 51.5Mを学習)。靴紐の成功率 45.7% → 83.3%

強化学習の根拠

https://arxiv.org/html/2512.01801

ベース制御

固定 · ベース移動の言及なし (靴紐通しの双腕精密操作)

備考

主な特徴

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。靴ひも通しの成功率をGR-3の45.7%から83.3%に高めた。

備考

GR-3は4B、GR-RLはcritic込みで計5Bと記述。Seedページの日付 2025-12-02、arXiv v1 2025-12-01。公開リポジトリは見つからず(検証で確認不可)。

検証

確認