コーディングエージェントが工場ロボットのプログラムを書き、人間との差は5ポイント　バークレーとNVIDIAが新ベンチマーク

データを集めて動作を学習させる代わりに、ロボットのプログラムを直接書く AI コーディングエージェントが、カリフォルニア大学バークレー校と NVIDIA の新しい工場タスク群で、人間のプログラマーに5ポイント差まで迫った。両チームは11月9日にベンチマーク「VABAR」のコードを公開した。8つのモデルが、工具掛け、シリンジの箱詰め、USB-C ケーブルの挿入など5つのタスクのプログラムを書く。使えるのは 33 のスキルを収めた同じライブラリで、物理シミュレーターから2回の実行フィードバックを受ける。Claude Opus 5.5 の全体成功率は 77%、人間が書いた参照プログラムは 82% だった。The Robot Report の11月11日の報道によると、Ken Goldberg 氏の研究室と NVIDIA は今週オースティンで開かれた CoRL 2026 でこの成果を発表した。

部品の形や位置は変わるが作業セルは決まっている仕事なら、エンドツーエンドのロボットモデルよりコードを書く方が現実的だということになる。差を生むのはどのコーディングモデルを選ぶかだ。VABAR のページには「数ポイント差で始まったモデルが、2回のフィードバックの後には30ポイント離れる」とある。2回後の8モデルは 77% から DeepSeek V4 の 44% まで開いた。

部品を並べ替えると VLA は脱落する

VABAR を支えるフレームワーク Graph-as-Policy（GaP）は、タスクを認識、把持、動作計画といったノードに分ける。エージェントがそれらを書いてつなぎ、シミュレーション上でさまざまなバリエーションを予行演習してから実機で動かす。出力は Python で、低レベルの制御には KUKA などメーカーの既存モジュールを呼び出す。GaP 論文のシミュレーション実験では、物体がほとんど動かない条件でVLA モデルが健闘した。LIBERO で π0.5 は 0.96、MolmoAct2 は 0.97、GaP は 0.95 だった。物体の位置を並べ替えると π0.5 は 0.15、MolmoAct2 は 0.26 に落ち、GaP は 0.97 を保った。実機の双腕によるクレート洗浄では、GaP は 150 回中 143 回成功し、専門家が手作業で作り込んだプログラムは 148 回だった。1時間あたりの成功回数は GaP が 18.33、専門家のプログラムが 19.33 だった。

産業界も試し始めている。The Robot Report によると、Bosch は産業オートメーションへの応用を評価中だ。Goldberg 氏が顧問を務める Ambi Robotics の共同創業者 Jeff Mahler 氏は、この手法が「生産データをロボットの挙動の更新に変え、米国の機体群のスループットを高めた」と述べた。

最大の反論は、誰が採点したかにある。フレームワークもスキルライブラリも、タスクも人間のベースラインも、同じ研究室群が作った。工具掛けでは人間が 87% で全モデルを上回り、最高のモデルでも 60% だった。一方ケーブル配線では人間は 47% にとどまり、8モデルはすべて 72〜83% だった。VABAR の著者は、より難しいテストセットを近く公開するとしている。外部のチームが自分の作業セルで走らせれば、5ポイントという差が本物かどうかがわかる。