NVIDIA、「VLAを超えて」World Action Modelへの転換を提唱 Cosmos 3ベースの新方策を公開
NVIDIA Developer Blogが、VLA(Vision-Language-Action)モデルに代わる方策設計としてWorld Action Model(WAM)を提唱する記事を公開した。VLAは言語指示と行動軌跡のマッピングを学習するため、学習データと近い状況でしか安定して動かず、未知の物体配置や環境変化に弱いという課題を指摘。対してWAMは動画世界モデルをベースに物理法則そのものを学習するため、多様なデータからでも汎化しやすく、タスク特化データが少なくても適応が速いとする。根拠として論文「World Action Models are Zero-shot Policies」と、NVIDIAのJim FanによるWAM論の講演「Robotics' End Game」を引用している。
実装面では、開放型のomniモデルCosmos 3(Mixture-of-Transformers構成)をベースに、Franka Panda + Robotiqグリッパーを対象とするDROIDプラットフォーム向けの2方策を派生させた。フル規模のCosmos3-Nano-Policy-DROID(16Bパラメータ)と、オンデバイス推論向けに軽量化したCosmos3-Edge-Policy-DROID(4B)である。Cosmos 3自体は画像約7.67億枚、動画3.48億本、行動サンプル800万件で事前学習されており、omniアーキテクチャの採用によってRoboLabベンチマークの成功率が28.1%から36.8%に改善したとしている。Jetson上では640×360解像度で15Hzのリアルタイム制御を達成したという。VLA一辺倒だった潮流に対し、World Action Model系の論文が同時期のarXivにも複数投稿されており(後述)、パラダイム転換の主張は実装の実在からも裏付けられつつある。
