VLAの内部を解析し座標への固着を解明

VLAモデルの内部機構を、スパースオートエンコーダと因果的介入で調べた研究。タスクAの活性を別の場面のπ0.5に注入すると、99.6%のエピソードでAの動作軌道が実行され、動作が視覚上の物体でなく絶対的な作業空間座標に結び付くことが分かった。実機UR10eでも確認され、元の物体を10〜15cm動かしても記録座標で把持し、50/50回で誤動作した。6種のVLAを42万回超のロールアウトで調べ、どの構成も指示を符号化するが視覚より低く重み付けすることも示した。520超のSAEを収めた解析基盤Action Atlasも公開した。