LoopWAM、自らのラベル付きロールアウトで再学習し実機で19.7ポイント向上

LoopWAMは清華大学、Dexmal、Loopevaによる閉ループのワールドアクションモデルで、著者は14人、Xiuwei Xu、Meng Zhang、Jiwen Luが責任著者だ。チームは2026年10月13日にarXivへ投稿し、10月15日に改訂した。コードはGitHubで公開している。RoboTwin 2.0の双腕50タスクでは、追加の身体事前学習なしで平均成功率94.5%を報告し、同じ表でLingBot-VA 2.0の93.6%、π0.5の79.8%を上回る。

失敗を含む混在品質のロールアウトは、ラベルを付けて初めて効いてくる。しかも粗いタグで足りる。同じRoboTwinのデータは、品質による誘導なしでは72.3%、3段階のタグでは**92.8%**を記録し、ロールアウトへの品質で重み付けした行動の教師信号を加えると93.6%に上がる。実機での首位はこれに比べて薄い。Dexmal自身が立ち上げに関わったベンチマークで同社のDM0.5を2.67ポイント上回るだけであり、Dexmalが公表するDM0.5の43.0%に対しては0.33ポイント差で、しかも17ポイント遅れの位置から始まったモデルが3回の展開ラウンドを経てようやく得たものだ。

失敗した実行は腕ではなくワールドモデルを鍛える

学習セットのすべての軌道には、指示文に「Quality: q」と書いた数値の品質スコアが付く。展開時には、モデルは熟練のスコアを条件として熟練の振る舞いへ誘導される。映像予測は失敗を含むすべての軌道で教師あり学習される。模倣学習の行動は品質で重み付けされる。熟練軌道には行動の教師信号が完全に与えられ、失敗軌道にはまったく与えられない。失敗軌道の行動が模倣されることはない一方で、行動の後に何が起きるかを予測するようワールドモデルを鍛え続ける。著者らは映像トークンと行動トークンを1つの並列プロセスでノイズ除去するため、予測された結果がそのまま行動生成に流れ込む。「ソース依存ノイズサンプリング」の工程により、記録されたロールアウトの行動が、そこで観測された結果の予測を導けるようになる。

アブレーションは、ラベルがどれほど粗くても済むかを示す。品質による誘導がない場合、RoboTwinの平均は72.3%だ。失敗したロールアウトはすべて低、成功はすべて中、熟練はすべて高とする極めて粗いマーカーでは、ロールアウトの行動の教師信号なしで92.8%、ありで93.6%に達する。方策のチェックポイントごとに数値スコアを1つ付け、失敗を最小値とする方式では、なしで92.7%、ありで94.5%となり、これが手法の全体だ。著者らは、粗い方式ならチェックポイントごとに人間の注釈が1つで済むと報告し、細かい注釈は誘導の効果を得るのに必要ないと結論づける。著者らは誘導を最重要の要素と呼ぶ。

3回のロールアウト・ラウンドで19.7ポイント増、最大の伸びは2回目

実機の舞台はRoboChallengeのTable30-V2で、ALOHA、DOS-W1、ARX5、UR5の4種類のロボットにまたがる30の卓上マニピュレーション・タスクからなる実機ベンチマークであり、その技術報告はRoboChallenge Dexmal Teamによる。著者らは熟練のデモンストレーションでロボットごとに1つのマルチタスクLoopWAMを学習させ、その後3回の展開ラウンドを回した。各ラウンドはタスクごとに約100本のロールアウト軌道を集め、品質で注釈を付け、熟練データとそれ以前のすべてのロールアウトで再学習した。

全体の成功率は23.67%、28.00%、37.67%、**43.33%**と上がり、19.7ポイントの増加となった。一方、全体スコアは36.10、42.63、51.65、56.80と上昇した。ラウンドごとの成功率の伸びは4.33、9.67、5.66ポイントで、2回目の寄与が最も大きい。著者らの手順どおりなら、30タスクでタスクあたり100本のロールアウトは1ラウンドあたりおよそ3,000軌道、3ラウンドで約9,000軌道になる。

Table30-V2でのリードは2.67ポイント、Dexmal自身の集計では0.33ポイント

論文が比較するリーダーボードの項目のうち、LoopWAMは成功率とスコアの両方で首位に立つ。2位のVLA-DM0.5は成功率40.67%、スコア54.42で、2026年9月22日時点で参照したスナップショットでは成功率で2.67ポイントのリードだ。Dexmal自身のDM0.5のページは、Gemma3 4Bの視覚言語バックボーンと6億8000万パラメータの行動エキスパートを備えたVLAについて、成功率43.0%、スコアは同じ54.42と報告する。この公表値と比べると、LoopWAMのリードは0.33ポイントに縮む。

ロボット別に結果は分かれる。LoopWAMはALOHAで26.00%対18.00%、UR5で76.67%対70.00%と先行し、DOS-W1では42.00%でDM0.5と並ぶ。ARX5では55.71%対58.57%で負ける。

この順位に対する最も強い反論はスタートラインにある。展開ラウンドの前、熟練データで学習したLoopWAMは23.67%で、DM0.5の40.67%に17ポイント遅れていた。追い抜くには3ラウンドすべてを要した。2025年3月に設立され北京に拠点を置くDexmalはRoboChallengeの共同立ち上げに加わっており、DOS-W1は同社自身のオープンソースハードウェアだ。

同じ手法は、性能の低いものも含め、他の展開済み方策からのロールアウトも受け入れる。1つの汎用方策が別の方策の失敗で学習できる。RoboTwin 2.0では、50タスク・3つの方策にわたり、自身、X-VLA、π0.5からの22,500本のロールアウト軌道で学習した。RoboCasa365では自身とRLDX-1のロールアウトを使った。

Physical Intelligenceの手法が最も近い比較対象だ。著者らは、π0.6がアドバンテージ条件付き学習で自律的な経験と介入を取り込み、π0.7が品質・速度・失敗のメタデータを使って混在品質のデータを吸収すると書く。そして、そうした手法には行動と映像の遷移における物理的なダイナミクスに対する明示的な目的関数がなく、失敗したロールアウトは振る舞いの目標を与えるだけで、その振る舞いの結果をモデルに教えないと論じる。プレプリントと同じ日に発表されたPiのAPIベータは、デモを集め、モデルを学習し、ロボットで試し、失敗を次に集めるデータの判断に使うループを描いている。

ゼロショット転移がこの論文の最も弱い部分だ。ゼロショット評価用に切り分けたRoboCasa365の16のComposite-Unseenタスクで、LoopWAMは14.9%にとどまり、同じ表のPRTSの18.8%を下回った。ただし、ベンチマーク全体では49.5%でABot-M0.6の46.6%を抑えて依然首位だ。切り分けたシミュレーション・タスクでのこの14.9%が新しいキッチンにも当てはまるなら、ワールドモデルの優位はすでに見た設定に結び付いたものになる。

シャツ畳みは、このループを最初から最後まで示す唯一のタスクだ。DOS-W1では、単一タスクの事後学習の後、方策は13.20%の成功率でシャツを畳み、2回の展開ラウンドで32.54%、そして55.56%に上がった。スコアは14.44、38.89、67.78と推移した。複数の手順を要する変形物体のタスクで、開始時の成功率の4倍以上にあたる。