中国BAIIの研究チームが開発した「Orca」は、動画と言語だけから世界の状態変化を学習する汎用モデルで、テキスト・画像・ロボット制御の3つのタスクを同じ内部状態から処理できます。事前学習で行動ラベルを使わないにもかかわらず、ロボット制御では専門システムと同等の性能を発揮し、ロボット工学が抱える行動データ不足の課題を緩和する可能性があります。
こういう要約が、毎朝あなたのメールに届きます。
無料で登録 →何が起きたか
中国のBAIIが開発した世界モデル「Orca」は、動画と言語信号から世界の変化を学習し、テキスト生成、画像生成、ロボット制御の3つの異なるタスクを同じ内部状態から実行できるようになりました。事前学習時には行動ラベルを一切使わず、ロボット制御でも専門システムπ0.5と同等の性能を達成しています。
なぜ重要か
従来のロボット学習は行動データが不足しており、その課題を緩和できる可能性があります。汎用的な世界理解をベースに複数のタスクを統一的に処理する設計は、言語モデルや画像生成モデルのような専門化した予測モデルに依存する従来のアプローチとは異なり、より柔軟なAIシステムの実現につながるとみられます。
注目点
Orca-4Bはテキスト評価で複数のベンチマーク（MVBench、TemporalBench、3DSRBench、SWITCH）で平均51.8%を記録し、同等サイズのQwen3.5-4BやDeepSeek-VL2-3B、より大きなEmu3（8B）やEmu3.5（34B）を上回っています。画像予測では独自ベンチマークPRICE-V0.1で59.8%を達成し、FLUX.2 small（56.1%）やFLUX.1-context（40.9%）を超えました。
世界モデルの定義は業界でもまだ議論が続いており、テキスト動画生成モデルのみを世界モデルから除外するか、あるいは行動予測と行動生成を組み合わせるかで見解が分かれています。Orcaの取り組みは後者の流れに位置し、行動ラベルのない日常動画から学習する「World Action Model」の考え方を具体化しています。
Orcaは0.8と4億のパラメータの2つのサイズで学習されており、より大きなモデルほどテキスト・画像・ロボット制御全てで結果が向上することが初期テストで示されています。ただし同時に、視覚予測が事前学習済み画像エンコーダの空間内に留まり、音声・力覚・触覚データが欠けており、事象説明が数分間のウィンドウに限定されるなど、制約も認識されています。研究チームはスクラッチから多数の信号種を学習する本格的な世界モデルが最終的な目標だと述べており、この領域の探索はまだ初期段階にあります。
まだコメントがありません。最初のコメントを投稿しましょう！
ログインして議論に参加200以上のソースから厳選したAIニュースを毎日無料でお届けします。
無料で始める登録無料・30秒で完了・いつでも解除できます
毎朝1分、AIの要点だけ。
200媒体以上・Email/LINE/Slack 対応
