ACE-Brain-0.6、グラウンディング8試験の6つでGPT-6 Astra超え 7ベンチマーク平均の差は0.85ポイント

ACE Roboticsは10月19日、視覚的空間グラウンディングのために作ったと同社が説明する9Bのロボット基盤モデル「ACE-Brain-0.6」を公開した。同社が報告した試験では、8つのグラウンディング評価のうち6つでOpenAIのGPT-6 Astraを上回り、Where2Placeでは5.45ポイント、RoboSpatialでは5.27ポイントの差をつけた。ACE-Brain-0.5の後継にあたり、ベースはQwen3.5-9Bだ。

より際どいのは公開ベンチマーク7つの平均で、0.6が74.53、Astraが73.68、差は0.85ポイントにとどまる。ACEのスケーリング実験は、伸びの源をデータパイプラインに求める。アーキテクチャと学習手法を固定したまま、コーパスを26万件から約100万件に増やすと、平均は69.3から74.5に上がり、2倍にするごとに約2.4ポイントというほぼ対数線形の伸びだった。既存のデータ種別のサンプルを増やしても、伸びは1ポイントに届かなかった。伸びには新しいシーン、新しい空間関係、新しい種類の教師信号が伴っていた。検証に値するのは、9Bモデルではなくパイプラインのほうだ。

100万件のサンプル、270万組の質問応答

学習セットは約94万枚の異なる画像と270万組の質問応答ペアで構成する。ACEは30を超えるオープンソースのロボットデータセット群に、自社のエゴセントリックデータ、人間の一人称のインタラクションデータ、物体と部品の密なアノテーション、3D空間データを組み合わせた。操作動画については、グリッパーの状態と動きの振幅からキーフレームを選び、シーン内の物体語彙を自動で構築し、位置特定、領域認識、意味の補正にGrounding DINOとSAM 3を使う。そのうえで、指示表現、数え上げ、空間関係、インタラクション位置、対象不在の質問応答ペアを生成する。アノテーションの検査、回答のバランス調整、評価データの除外は、誤った教師信号とショートカット学習を抑えるためのものだ。学習では視覚エンコーダを凍結し、言語モデルのパラメータだけを教師あり微調整するとACEは言う。

ACEの分析では、Astraの視覚グラウンディングはGPT-5.5から大きく改善した一方、「物体の前にある空いている場所」を隣の領域に置いてしまうなど、細かい幾何学的な位置特定と複雑な空間関係ではまだつまずく。8つ目の評価は同社独自のRobotGroundingで、対象の位置特定、小さな物体の認識、複数インスタンスの数え上げ、対象不在の判定、カメラ間の対応など14種類のタスクにわたる2,591問を含む。ACE-Brain-0.6はここでAstraを3.03ポイント上回るが、Where2PlaceとRoboSpatial（いずれも公開ベンチマーク）での差より小さい。同社が挙げるのは、物体が存在しない場合に、もっともらしいが誤った位置を出すのではなく、対象が存在しないと報告すべき対象不在のケースだ。ACEは0.6をClaude Opus 5.5、Gemini 4 Argon、Alibaba DAMO AcademyとBAAIのモデル、複数のオープンソースエンボディドAIモデルとも比較し、これらの比較でも0.6が先行したと述べる。

本記事のスコアはすべてACEの報告による。Astraが前に出た2つの公開ベンチマークは、Leiphone、Xinmin Evening News、IT Homeのいずれの記事でも名前が挙がっておらず、ACERoboticsのHugging Faceページには10月19日時点でACE-Brain-0とACE-Brain-0.5が並び、0.6のモデルはなかった。