GigaBrain-0.7、8種類のロボット構成に対応する3.5B VLAの重みとトレーニングコードを公開

GigaAIは8月25日、GigaBrain-0.7のコード、3.5Bベースモデル、サンプルデータを既存のオープンソースプロジェクトに追加した。これにより、8月16日に公開されたテクニカルレポートに、ダウンロードおよびトレーニングが可能な実装が初めて用意された。公開モデルはPaliGemma2をVision-Languageバックボーンとし、各層に連続アクションエキスパートを交互に組み込んでいる。公式のアブレーションでは、このdual-stream接続が3つの実機タスクにおいて、最終層のみを読み取る方式や各層でcross-attentionを行う方式を上回った。一方、推論時間は最速版の0.073秒から0.221秒へ増加した。

完全な設計では、能力を3つのシステムに分割している。System 1は低レベルのアクションを生成し、System 2は過去の画像を利用して進捗を追跡し、長期タスクを分解する。System 3はworld modelによって将来の画像を予測し、状態価値を推定する。事前学習データは合計約3万7,300時間で、実機、UMI、一人称視点、シミュレーション、world modelが生成した軌跡を含み、16種類のロボットembodimentと約2億7,000万件のVision-Languageサンプルにまたがる。公開パイプラインはLeRobot形式を採用し、embodiment ID、アクションマスク、データセットごとの正規化統計を用いて異なる制御空間を処理する。リポジトリにはすでに、AgileX Cobot MagicとMaker H01向けのトレーニング例、推論サーバー、ROSクライアントのサンプルが用意されている。

論文では、RoboColiseumにおいて、指示追従0.8166、空間推論0.4729、ロバスト性0.6800、汎用マニピュレーション0.6092を報告しており、4項目すべてで掲載された公開ベースラインを上回っている。ただし、これらの比較は依然として著者が取りまとめたものであり、一部の実機結果ではタスク固有のデモンストレーションによる追加のファインチューニングが行われているため、完全なzero-shot能力と解釈することはできない。さらに重要なのは、リポジトリでVLM、RoboColiseum、RoboTwin 2.0、EBenchの評価コードが依然として公開予定の項目に挙げられている点だ。現時点で公開されているのもサンプルデータのみで、3万7,300時間分の完全なコーパスではない。エンジニアリングチームが次に確認すべきなのは、公開コンポーネントから3システムの推論構成をend-to-endで再構築できるか、そして第三者が同一のロボットとbenchmark protocolを用いて成績を再現できるかである。