← すべてのニュース

ZTE EmbodiedMind、GRPOの優位性計算を動作プレフィックスへ移行:8B具身モデルの3段階訓練と検証可能なポイント

機械之心が2026年11月6日に「リリース」形式で掲載した中興通訊(ZTE)の稿件によると、論文EmbodiedMindはRSFT、IR-GRPO、Trie-GRPOの3段階訓練パラダイムを提案し、8Bモデルが18項目の具身ベンチマークで平均70.02%、長距離計画の精度が既存の最良手法に対して30.31%向上したと主張している。またNebula-EmbodiedBrain-180BがSuperCLUE 9月の具身大脳榜で国内1位に並んだとしている。原文には重み、コード、APIの公開についての言及はない。

公開 更新

主な変更

機械之心は2026年11月6日、「リリース」形式でZTEの具身モデルに関する稿件を掲載した。同記事によると、ZTEのチームの論文「EmbodiedMind: Adaptive Data Curation and Prefix-Tree Reinforcement Learning for Efficient Embodied Intelligence」は3段階の訓練パラダイムを提案している。まずRSFTで、高い温度係数による複数回推論の結果に基づいてサンプルを層別化する。全問正解は簡単サンプル、一部正解は不確実サンプル、全問不正解は困難サンプルとし、訓練セットには不確実サンプルと一定割合の簡単サンプルのみを残す。次にIR-GRPOで、タスク種別ごとに独立した先入れ先出しキューを維持し、指数移動平均で各タスクの有効サンプル比率を平滑化し、次ラウンドのサンプリング割当を動的に調整する。最後にTrie-GRPOで、すべてのサンプリング軌跡を並列に動作プレフィックス木へ挿入する。同一の履歴プレフィックスを共有する軌跡は分岐点で兄弟サブグループを形成し、相対優位性は兄弟ノード間でのみ計算され、割引報酬として木の経路に沿って逆伝播される。さらにゼロに近い優位性のサンプルをフィルタリングして探索コストを抑える。原文によると、EmbodiedMind-8Bは52.2万件の訓練サンプルのみを用い、汎用マルチモーダル理解、2D空間推論、3D空間計量、タスク計画をカバーする18項目のベンチマークで平均70.02%を記録し、長距離計画の精度は既存の最良手法より30.31%向上した。論文はICRA 2027に投稿済みである。記事には具体的な比較も示されている。最長25ステップのVLM-PlanSim-99で66.67を記録しCosmos3-Nanoを上回った。ALFWorld-thorの成功率は60.45%で、SEEA-R1の46.27%と対比される。AgiBot A2に基づく50の卓上シーンと160本のタスク実行監視動画では、卓上整理計画が62.00%(Qwen3-VL-8Bの40.00%と対比)、タスク実行監視の精度が55.31%(46.88%と対比)であった。同記事はまた、Nebula-EmbodiedBrain-180BがSuperCLUE 2026年9月のEmbodiedCLUE-VLA具身大脳榜で77.48点を記録し、Qwen3.8-Max-0902と並んで国内1位となったとし、具身安全の単項で97.92点だったとしている。

開発者への影響

まず「何に接続できるか」と「何を参考にできるか」を分ける必要がある。原文にはEmbodiedMind-8BやNebula-EmbodiedBrain-180Bの重み公開、コードリポジトリ、ホスト型インターフェースについての言及がないため、この2つの名前は現時点で直接呼び出したりローカルにデプロイしたりできる対象に対応していない。本稿で分析できるのは訓練手法と評価の枠組みである。具身モデルやVLAモデルの強化学習による事後訓練に取り組んでいる場合、「グループ」を軌跡全体のレベルで定義するか動作プレフィックスのレベルで定義するかは、失敗軌跡の勾配構成を直接変える。原文の説明によれば、軌跡レベルの優位性は失敗軌跡の中の正しい中間動作まで一緒に罰し、プレフィックス木は比較を兄弟ノード間に限定し、ゼロに近い優位性のサンプルを除外して許容可能な探索コストに抑える。この変更は特定の基盤モデルに依存せず、原理的には自前のGRPO系実装に取り込めるが、その代償として環境に分岐サンプリング能力が求められる。評価寄りの開発者にとっては、別の手がかりとして第三者榜も有用である。SuperCLUEの9月時点の枠組みは180B級モデルと2.4Tパラメータモデルを同じ枠に入れており、同時に原文は国際参考モデルが国内ランキングに参加しないことを明記しているが、挙げられている参考スコア(GPT-6 Astra 86.75、Gemini-3.8-Flash 82.12)は77.48より高い。榜を読む際はランキングの範囲と絶対スコアを分けて見る必要がある。総じて、これは手法レベルの進展であり、直接接続可能なモデルリリースではない。

導入と評価の提案

以下は条件付きの提案であり、報道された事実ではない。 提案1:GRPOの優位性グループ化を軌跡全体から動作プレフィックスへ変えるか。原文が報告する変更はTrie-GRPOである。標準的なGRPOは軌跡レベルの優位性をすべてのトークンに均等に適用するため、軌跡が最終的に失敗すると中間の正しい判断も巻き添えになる。プレフィックス木は同一の履歴プレフィックスを共有する軌跡を分岐点で兄弟サブグループにし、兄弟ノード間でのみ正規化して相対優位性を計算する。選ぶべきは、多段階タスクのRL事後訓練を軌跡単位でグループ化するか、再生可能な動作プレフィックス単位でグループ化するかである。この選択を変える前提は環境能力とタスク長である。シミュレータや実環境が中間状態からリセットして同じプレフィックスで分岐でき、同じプレフィックスの下で正規化に足る兄弟サンプルを採取できる場合にのみ、プレフィックス単位のグループ化は意味を持つ。タスクが大半1〜2ステップである場合や、環境が中間から分岐できない場合は、軌跡単位のグループ化の方が導入しやすい。測定可能な判断基準は、同じサンプリング予算の下で自前の10ステップ以上の長距離評価セットを使って2種類のRLを実行し、最終成功率と逐次正解率を比較することである。原文の30.31%は著者の改善幅の枠組みであり、そのまま自身の期待収益と見なすことはできない。 提案2:訓練前に不確実性選別を1段加えるか。原文が報告するのはRSFTである。高い温度係数での複数回推論によりサンプルを全問正解、一部正解、全問不正解の3類に分け、訓練セットには一部正解サンプルと一定割合の簡単サンプルのみを残し、全問不正解サンプルは当面除外する。選ぶべきは、SFTの前にこの選別を加えるか、また簡単サンプルをどれだけ残すかである。前提は採点信号が十分に信頼できることであり、層別化は「正/誤」の判定に完全に依存するため、採点ノイズが大きいと分類自体が歪む。また複数回の高温推論にはまず推論コストがかかる。測定可能な判断基準は、選別後の有効サンプル数と訓練エポックを記録し、全量コーパスのSFTと各能力の評価スコアを比較すること、同時に初期に出力多様性が急落するような分布崩壊の兆候がないか注視することである。 提案3:動的サンプリングにタスクレベルの割当を1層加えるか。原文が報告するのはIR-GRPOである。タスク種別ごとに独立した先入れ先出しキューを維持し、指数移動平均で各タスクの有効サンプル比率を平滑化し、次ラウンドのサンプリング割当を動的に調整する。選ぶべきは、DAPO型の動的サンプリングの上にさらにタスクラベル別の割当制御を加えるかである。前提はサンプルに信頼できるタスク種別ラベルがあり、タスク難度が本来不均衡であることである。タスクが高度に同質な場合、この層の制御による利益は限定的である。測定可能な判断基準は、ラウンドごとに各タスク種別のスコアを記録し、ある類が上昇し別の類が下落するシーソー現象が起きていないか確認し、割当を加える場合と加えない場合で最悪タスク種別のスコア下限を比較することである。

制限と未確認事項

この稿件は機械之心が「リリース」形式で掲載したものであり、手法と数値はZTEチームの論文および原文の記述に由来する。本稿は独立に再現しておらず、実機ロボットでいずれかを検証したものでもない。論文の状態は「ICRA 2027に投稿済み」であり、採択済みでも査読を経たものでもなく、ベンチマークスコアは著者の自己申告の枠組みである。原文は30.31%が相対的な改善幅なのか絶対的なポイント差なのかも明記しておらず、この数字を読む際はその不確実性を保持すべきである。実機の結論は50の卓上シーンと160本の監視動画からなるA2-Failureデータセットに基づいており、シーンの規模は限定的で、環境を変えた場合の転移効果は不明である。SuperCLUE榜は2026年9月時点の枠組みで稿件の公開日より前であり、また原文は国際モデルが参考項目に過ぎず国内ランキングに参加しないことを明記しているため、榜のスコアを時間を超えた持続的な結論と見なすことはできない。原文には重み、コード、APIの公開についての言及はない。2026年11月12日時点でKimiSeekのオンラインカタログを確認したところ、EmbodiedMind-8BとNebula-EmbodiedBrain-180Bはいずれも収録されていない。将来ホスト型インターフェースが登場した場合、その可用性は提供者の説明に従うものとする。

3分で最初の呼び出しまで

登録後に API キーを作成してください。利用料金はアカウント残高から引き落とされます。初回チャージ30%オフ。¥500チャージ、お支払い ¥350、入金額 ¥500。¥1000チャージ、お支払い ¥850、入金額 ¥1000 最低チャージはこれまでどおり ¥10 で、試用にも使えます。

出典と編集方針

让机器人学会「一口气干完一件活」,中兴 EmbodiedMind 重构具身大脑训练范式

引用元を基にAIが分析と翻訳を補助し、自動品質チェックを行っています。提案は実測結果ではありません。提供状況と料金は最新カタログをご確認ください。