ロボット向け視覚・言語・行動モデル「TurboVLA」が発表されました。大規模言語モデルを毎回通して行動を決める構造をやめ、画像と指示を別々に軽量処理して直接動作へ結び付けます。RTX 4090上で推論用VRAM 0.9GB、遅延31.2ミリ秒、毎秒約32回の制御を実現し、LIBERO評価で平均成功率97.7%を報告しました。
LLMを中心に置かないVLA設計
一般的なVLAは、カメラ画像をLLMの表現へ変換し、言語処理を経由してロボット動作を出します。TurboVLAは視覚と指示の特徴を双方向に交換し、0.2Bパラメータの小型デコーダーが連続した動作列を直接予測することで、計算量とメモリ使用を減らしました。
0.9GB・31.2ミリ秒・成功率97.7%
重要なのは、ロボット制御に常に大きな言語モデルが必要とは限らない点です。言語は作業条件を与え、視覚は現場状態を伝え、必要な相互作用だけを残す設計により、消費者向けGPUでも高頻度制御へ近づきました。コードも公開されています。
現場導入前に確かめる実環境の差
工場や研究室では、クラウド往復や大容量GPUに依存せず、現場端末で低遅延に動かせる可能性があります。導入費用、通信断への強さ、複数台展開の設計へ影響します。 97.7%はLIBEROベンチマーク上の結果で、未知の物体、照明変化、安全要件を含む実環境性能を保証しません。7月29日公開の査読前プレプリントとして検証が必要です。