ロボットのプランナーを後学習で強化するAgenticRoboRL

ロボットのプランナーを、複数のハーネスにまたがって後学習するフレームワークAgenticRoboRLが公開予定だ。教師あり微調整とマルチターン強化学習を組み合わせ、ハーネスごとのアダプタで共通の学習パイプラインを実現する。対象はVLAスキル呼び出しと制御コード生成の2方式である。LIBERO-PROで9Bパラメータのプランナーの成功率が18.1%から71.0%に向上し、外部メモリ付きCodex（GPT-5.5）の72.1%に迫った。フレームワークと学習済みチェックポイントは公開される予定である。