Ψ0 (Psi-Zero)

USC PSI Lab + NVIDIA + WorldEngine · 2026-03

VLA2026年の新モデル2.5B超ハイブリッド

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。

論文

バックボーンLLM: Qwen3 · Qwen3-VL-2B構成
ビジョンエンコーダ: Qwen3-VLビジョン
アクションヘッド: MM-DiTアクションエキスパート約500M (ハイブリッド)
チャンク: 非公開
制御周期: 非公開
構造の原文要約: Qwen3-VL-2B-Instruct + MM-DiTアクションエキスパート(約500M); 事前学習はFASTトークン(48→約20)で48-DoF作業空間アクション、事後学習は36-DoF関節空間アクション; 下半身はRL追跡方策AMO(8-DoF指令→15-DoF関節)

事前学習アクセラレータ: A100 64個
事前学習期間: 10日
事前学習ステップ・バッチ: グローバルバッチ 1024、LR 0.0001 固定 (steps は非公開)
GPU・TPU時間: 15,360 (換算 · A100-時間 (64 GPU × 10日=240時間))
ファインチューニング: 事後学習 A100 32基(単一ノード)約30時間、バッチ2048; タスク別ファインチューニング 40,000 steps(コサインLR 1e-4開始)
データ種類: 人の動画(一人称EgoDex) + 実ロボットのテレオペレーション(ヒューマノイド)
データ規模: EgoDex 約829時間; Humanoid Everyday 31時間(260課題); 課題あたりテレオペレーション軌跡80個
主要データセット: EgoDex, Humanoid Everyday
タスク・評価: Unitree G1実タスク8個; 2位のGR00T-N1.6比で全体成功率が40%以上高い; 比較対象π0.5、GR00T N1.6、EgoVLA、H-RDT、InternVLA-M1、DP、ACT
ロボット: Unitree G1(29 DoF、Dex3-1 7-DoFハンド、頭部RealSense D435i)

強化学習: 一部 (RL下位制御器との結合) · VLAは教師あり学習、下半身はRL追跡方策AMO(8-DoF指令 → 15-DoF関節)
ベース制御: ヒューマノイド歩行 (指令・潜在 → RL歩行制御器) · VLAがハンド・アーム関節 + 下半身8-DoF指令(胴体rpy・高さ・vx・vy・vyaw・方向)を出力 → AMO RL追跡方策が脚・腰15 DoFの関節を生成 (回転・歩行・しゃがみ)

主な特徴: 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。リアルタイムのアクションチャンキングを学習段階で扱う。
備考: 修正反映: 重みの公開を確認(HF USC-PSI-Lab/psi-model、データ psi-data、Apache 2.0)、2026-09-13にSONIC用チェックポイントを追加。arXiv 2026-03-12。CVPR 2026 3D-LLM/VLAワークショップ最優秀論文賞(2026-06-03)。パラメータ(B)は下限値2.5。データ時間(h)は事前学習のEgoDex分。
検証: 修正反映