VLA ギャラリー / モデル一覧 / 2026年の新モデル

SyVLA

SJTU + Shanghai Innovation Institute + Shanghai AI Lab + Noematrix ほか · 2026-06

VLA2026年の新モデル3B VLM + 0.69Bエキスパートflow matching

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。

論文

Scaling by Diversified Experience for Vision-Language-Action ModelsarXiv 2606.09009

概要

分類

2026年の新モデル

タイプ

VLA

発表

2026-06

機関

SJTU + Shanghai Innovation Institute + Shanghai AI Lab + Noematrix ほか

重み公開

未確認

パラメータ

3B VLM + 0.69Bエキスパート (総量は記載なし)

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エキスパート0.69B (15層) (flow matching)

チャンク

50ステップ

制御周期

非公開

構造の原文要約

Qwen2.5-VL-3B + 0.69Bフローマッチング・エキスパート(15層デコーダ、hidden 1408); Feature Query Token 20個、50ステップのチャンク; VLM・エキスパートの非同期推論

学習

事前学習アクセラレータ

H200 32基 (DeepSpeed ZeRO-2)

事前学習期間

約1.5日

事前学習ステップ・バッチ

バッチ 512 (stepsは記載なし)

GPU・TPU時間

1,152 (換算 · H200-時間 (32 GPU × 約1.5日=36時間))

ファインチューニング

H100 8基(DeepSpeed ZeRO-2)、6–18時間、バッチ32; RLは学習時間が約10%増

データ種類

実ロボット(OXE・RH20Tの部分集合、自社収集は5%未満) + Web視覚言語(VQA)

データ規模

ロボットデータ 約450時間(25 Hz) + マルチモーダルVQA; CoTアノテーション 約1%

主要データセット

Open X-Embodimentサブセット、RH20Tサブセット

タスク・評価

実機シャツたたみ ドメイン内0.86・ドメイン外0.78; LIBERO Spatial 87.7・Object 84.0・Goal 87.3・Long 65.7

ロボット

ノートに記載なし

推論

推論デバイス・速度

非同期VLM・エキスパート推論 (遅延は未報告)

推論メモリ

非公開

重み bf16(計算)

非公開

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) · 第3段階で実機PPO変形RLによりVLA全体を最適化(エキスパートサンプルのアドバンテージ1.0固定、価値モデル約100M)。学習時間の増加は約10%のみ

強化学習の根拠

https://arxiv.org/html/2606.09009

ベース制御

固定 · ベースへの言及なし (Cobot Magic腕関節位置の行動; LIBEROシミュレーション)

備考

主な特徴

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。RLを加えても学習時間は約10%しか増えなかった。

備考

ICML 2026。プロジェクトページではコード・データセット公開を主張、重みの公開は未確認。Spirit AIのモデルではない。検証ノートに対照行なし。

検証

未検証