AgiBotのLIFE、ロボットに1日分の記憶 9分かかった回答を80秒に

AgiBot（智元）は、ロボットがタスクの合間も観察と記憶を続けるためのフレームワーク「LIFE」を発表し、何を記憶に残すかを決める部分「RoboBeats」をオープンソース化した。規模は 0.8B、2B、4B の3種類で、Qwen3.5 上の LoRA アダプターとして提供される。カメラ映像を毎秒1フレーム読み、「エレベーターのドアは開いたか」といった条件が成り立ったか、新しい出来事が起きたかを判定する。記憶に書き込まれるのは、そこで拾われた場面だけだ。中国メディアは北京時間11月11日に発表を報じた。技術報告は10月30日から arXiv に掲載されている。

報告で最も示唆的なのは実機実験で、差がついたのは賢さよりコストだった。同じ回答モデルを使い、オフィスの1日に関する質問で LIFE は 30 点満点中 29.5 点を取った。同じ記憶を渡された汎用のコーディングエージェントは 28.5 点だったが、1問あたり 554.7 秒かかり、LIFE は 80.6 秒だった。入力トークンは 306万 対 17.28万。何でも覚えるロボットが成り立つのは、何を覚えるかを安く決める部品があるときだけで、その部品が RoboBeats だ。

1日分の録画からオフィスの記憶を組み立てる

実験には、A3 Ultra ロボットの前方カメラが10月21日21時から22日21時まで撮った映像を使った。執務エリア、会議室、給湯室が映っている。ゲートと事前フィルターが 256 の時間窓を選んで大きなモデルに説明させ、記憶には 1296 枚のキーフレームが残った。6問には、会議後に残ったカップの持ち主、上着を最後に見た場所、昼休みの終わりなどが含まれ、各問を3回ずつ尋ねた。記憶なしで生の録画だけを渡されたコーディングエージェントは 24 点で、1問 961.5 秒かかった。

著者自身はこれを「規模の限られた事例研究」と呼んでいる。記憶は録画からオフラインで構築したもので、ロボット上でリアルタイムに作ったものではない。

同じ書き込み予算なら、均等サンプリングより14ポイント高い

ベンチマークでは、RoboBeats は土台のモデルを大きく上回った。StreamingBench の能動出力タスクで、RoboBeats-4B が正しい瞬間の前後2秒以内に反応した割合は 64.0%、土台の Qwen3.5-4B は 21.2% だった。報告は Claude Fable 5 を 71.6%、Gemini 3.7 Flash を 80.0% と載せているが、これは各モデルが公表した独自の条件での数字だ。AgiBot が同時に公開した SSS-Bench（動画 171 本、質問 618 問）では、RoboBeats-2B が選んだ記憶で 60.5% が正答し、同じ枚数を等間隔に抜き出した場合は 46.5% だった。

RoboBeats の学習データには、評価に使うベンチマークの一つ Charades-STA が含まれる。短い動画で調整したゲートが、見たことのない工場や家庭で正しい瞬間を選べるのか。重みは公開され、コードは Apache 2.0 で提供されている。ロボットを持っていれば、誰でも確かめられる。