VLA ギャラリー / モデル一覧 / 2026年の新モデル

Spark-0

Xspark AI·Tsinghua University·MMLab@HKU·HKUST(GZ)·Peking University · 2026-10

VLA2026年の新モデル非公開flow matching

触覚グローブから得た接触マップと凍結Depth-Anything-3特徴で視覚トークンを学習時のみ監督し、別の触覚経路が領域別の力履歴と3D taxel状態で行動エキスパートのみを条件付けるVTLAモデルである。

論文

Spark-0: Scaling Spatially Aligned Tactile Pretraining for Robot Dexterous ManipulationarXiv 2610.22342

概要

分類

2026年の新モデル

タイプ

VLA

発表

2026-10

機関

Xspark AI·Tsinghua University·MMLab@HKU·HKUST(GZ)·Peking University

重み公開

あり

パラメータ

非公開(Qwen3-VL-4B + 36層・幅1024の行動DiT; 総計は記載なし)

構造

バックボーンLLM

Qwen3-VL-4B-Instruct

ビジョンエンコーダ

Qwen3-VL内蔵ビジョン(頭部384²、手首256²) + 学習専用DA3-LARGE幾何教師(凍結)

アクションヘッド

flow matching行動エキスパート(Euler 4ステップ) → 58次元の両手EEポーズ・手関節 (flow matching)

チャンク

50ステップ(RTCで24ステップごとに再計画)

制御周期

非公開

構造の原文要約

Qwen3-VL-4B-Instruct VLM(層別KV、行動クエリ64個) → 36層・幅1024の層別flow matching行動DiT(偶数層はVLMクロスアテンション、奇数層はState・Tactile・Action共同自己アテンション、触覚トークン24個) → 58次元(両手EEポーズ9+WUJI Hand 2関節20)チャンク H=50、Euler 4ステップ; 学習専用DA3幾何・接触マップ整合(VLM 25層)

学習

事前学習アクセラレータ

GPU 96枚(12ノード×8、機種は記載なし)

事前学習期間

非公開

事前学習ステップ・バッチ

400kステップ(warmup 20k)、グローバルバッチ576(GPUあたり6、累積なし)

GPU・TPU時間

非公開

ファインチューニング

ベンチマーク別ダウンストリームファインチューニング 80kステップ(warmup 8k)、事前学習と同じオプティマイザ・GPUあたりバッチ; 装置数・時間は非公開

データ種類

人の動画 / 実ロボットのテレオペレーション / シミュレーション・合成

データ規模

事前学習 7ソース合計 約1,944時間(論文「1.9k h」): HumanTouch 1,000h(100以上の課題・作業者32名、60 Hz)・EgoDex 662h・同じグローブのロボットプレイ20h・触覚除去ロボットプレイ24h・シミュレーション25h・Fourier ActionNet 153h・AgiBot World 60h; 触覚はサンプルの44%

主要データセット

HumanTouch; EgoDex; Fourier ActionNet; AgiBot World

タスク・評価

SparkArena-Sim 7課題(視覚のみ) 平均成功率36.86%(FastWAM 28.29%); SparkArena-Real 5課題(触覚使用) 成功率52.0%・完了スコア62.8(FTP-1 36.0%・47.8); Ego Humanoid Manipulation Benchmark 8つの集計指標すべてで1位(視覚のみ、例: Short Seen SR 80.95%)

ロボット

Gen 1 Prototype: Marvin M6S CCS-696アーム2本 + WUJI Hand 2器用な手2個 + Moxian触覚グローブ(片手あたり320 taxel)、頭部Orbbec 336・手首Orbbec 305カメラ

推論

推論デバイス・速度

flow matching Euler 4ステップ、チャンク 50 + 学習不要のRTC(残り行動26個で次チャンクを非同期要求、24ステップごとに再計画、推論遅延は名目8ステップ); 方策サーバはGPU 1枚1プロセス(README)、GPU機種・遅延時間・制御Hzは記載なし

推論メモリ

非公開

重み bf16(計算)

非公開

実行場所

GPU方策サーバ1枚(機種は記載なし) + websocketロボットクライアント

強化学習・ベース

強化学習

不使用 · flow matching模倣学習(行動損失)と幾何・接触整合損失のみ使用、強化学習の言及なし

ベース制御

固定 · 固定双腕(Marvin M6S) + 器用な手、移動ベースなし

備考

主な特徴

触覚グローブから得た接触マップと凍結Depth-Anything-3特徴で視覚トークンを学習時のみ監督し、別の触覚経路が領域別の力履歴と3D taxel状態で行動エキスパートのみを条件付けるVTLAモデルである。1つのチェックポイントで視覚のみ・触覚条件付きの両方の展開に対応し、1,000時間のHumanTouch触覚事前学習によりEgo Humanoidの視覚のみ成功率を52.5%から71.7%へ、SparkArena-Realの成功率を44.0%から52.0%へ高めた。

備考

サンプリング重み HumanTouch 0.35・EgoDex 0.39・同じグローブのロボット0.09; 人のデータはIKでWUJIの手にリターゲティング; 状態・行動 58次元(論文) vs 54次元(README) A/B、RTC再計画間隔 24ステップ(論文) vs 16ステップ(README) A/B; コード(GitHub MIT)・事前学習チェックポイントpretrain_spark_0(HF、400kステップ .pt 約10.9GB)・SparkArenaを公開、ファインチューニングチェックポイント・HumanTouchデータの公開有無は記載なし; XPolicyLabにも統合。ベース: StarVLA (論文 [3]) — StarVLA・XPolicyLabのコード上に構築(論文に明記)

検証

確認