GRAFT、生医学の精密操作にVLAを適応させる 領域単位の教師信号で成功率を25ポイント改善

事前学習済みのVLA方策を専門領域へ適応させるとき、生医学の実験操作のように微細な視覚的差異が成否を決める課題では、タスク単位の報酬がほとんど手がかりにならない。成功か失敗かという信号だけでは、画面のどの部分に注目すべきだったのかが伝わらないためである。GRAFTはここに領域単位の教師信号を持ち込み、視点ごとの視覚アンカーを学習させることで知覚をタスクに関係する局所的な手がかりに集中させる。

オンラインでの強化適応を現実的な時間に収めるため、行動生成を単一ステップにし、視覚・言語部分の計算をキャッシュして再利用する構成も併せて導入している。生医学の操作4タスクでの評価では、適応予算を揃えた条件で成功率を25ポイント改善し、同時に方策更新時の計算量も下げたと報告している。汎用の基盤モデルを専門領域に持っていく際の律速が、データ量ではなく「何を見るべきかの指定」にあるという整理は、実験自動化のように現場のドメイン知識が濃い応用に共通する論点である。