VLA ギャラリー / モデル一覧 / 2026年の新モデル

InternVLA-A1.5

Shanghai AI Lab · 2026-07†

VLA2026年の新モデル総量は非公開非公開

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。

論文

InternVLA-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional GeneralizationarXiv 2607.04988

概要

分類

2026年の新モデル

タイプ

VLA

発表

2026-07†

機関

Shanghai AI Lab

重み公開

あり

パラメータ

総量は非公開 (VLM 2B + アクション専門家460M; WAN2.2-5B教師は学習専用)

構造

バックボーンLLM

Qwen3.5 2B (Gated DeltaNet混合)

ビジョンエンコーダ

—

アクションヘッド

統合アクション専門家460M (非公開)

チャンク

非公開

制御周期

非公開

構造の原文要約

Qwen-3.5 2B VLM(Gated DeltaNet線形アテンション3層とフルアテンション1層を交互) + 460M統合アクションエキスパート; 視覚予測トークン50個(学習時は固定WAN2.2-5B動画生成器が教師、推論時は動画分岐を除去)

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

Stage 1 300K + Stage 2 600K steps、バッチ1024、LR 5×10⁻⁵、bf16

GPU・TPU時間

非公開

ファインチューニング

コサイン減衰の事後学習; ハードウェア・時間は非公開

データ種類

ロボット操作データ(6出典、実・合成の区別は記載なし) + WebのVision-Language(マルチモーダルQA)

データ規模

ロボット 1.2M エピソード・861M フレーム; マルチモーダルQA 約3M; サンプリング ロボット:マルチモーダル = 0.15:0.85

主要データセット

6つの出典(名称はノートに記載なし)

タスク・評価

LIBERO・RoboTwin 2.0・EBench・SimplerEnv・LIBERO-Plus(ゼロショット)・DOMINO(ゼロショット)の6つで総合最高(自己報告); 実世界でチューブ差し込み80.7%・チューブ移動74.4%・MOF長期76.4%

ロボット

ノートに記載なし

推論

推論デバイス・速度

RTX 5090 1基で推論1ステップ約0.1 s

推論メモリ

非公開

重み bf16(計算)

非公開

実行場所

ローカルPC

強化学習・ベース

強化学習

不使用 · 教師あり学習(公開範囲)

ベース制御

固定 · ベース制御なし (RoboTwin 2.0・LIBERO・SimplerEnvなどの操作ベンチマークと実操作)

備考

主な特徴

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。シミュレーションベンチマーク6個すべてで最高の総合結果を自己報告した。

備考

修正反映: 重み公開(HF・ModelScopeにbase・RoboTwin・Libero・DOMINOチェックポイント、CC BY-NC-SA 4.0)。arXiv投稿日 2026-07-06†はabsページがHTTP 429で確認不可(月はarXiv ID 2607と一致)。サンプリング順序はロボット0.15で確定。著者欄の'Physical Intelligence Team'は上海AI Labのチーム名でPhysical Intelligence社とは無関係。

検証

修正反映