68万パラメータで86.9%
長い作業では40.6%です

「小さいモデルで十分です」と言われた方へ

ロボットやエッジ機器の提案で、「巨大な基盤モデルは要りません。小さいモデルで十分な精度が出ています」という説明を受けた方に向けて書いています。

小型化を否定する記事ではありません。「小さい」と言われた数字が何を含み、「十分」と言われた数字が何を測ったかを確かめる話です。

68万パラメータで動いたという報告

ソニーコンピュータサイエンス研究所が、PredVLAという手法を公開しました（arXiv 2026年8月30日）。

• 訓練したパラメータは 675,732個（約68万）
• ロボットのデータでの事前学習はなし
• LIBEROというロボット操作のベンチマークで、短い作業3種の平均成功率が 86.9%

近年の小型VLAとされるモデルでも、数億パラメータの規模です。論文自身が、TinyVLA、SmolVLA（約4.5億）、Evo-1（約7.7億）を挙げたうえで、「それでも数億の領域にとどまる」と書いています。68万は、その千分の一に近い数字です。

86.9%は、短い作業の平均です

同じ論文には、作業の種類ごとの数字が載っています。

上の3つが「短い作業」で、その平均が86.9%です。4つすべての平均は75.4%。長い作業だけを見ると40.6%で、短い作業の半分以下になります。

見出しになっている86.9%は、長い作業を外した平均です。論文はそれを隠していません。「短期3スイートの平均」と明記しています。ただし、読む側が「86.9%」だけを持ち帰ると、そこが落ちます。

現場の作業は、たいてい長いほうです。物を取って、向きを変えて、置いて、次へ移る。工程が複数ある作業で使うなら、見るべき数字は40.6%の側です。

68万に入っていないもの

もうひとつ、数字の範囲に関わる記述があります。

汎用の視覚・言語エンコーダは凍結されたままで、ロボットデータで事前学習した神経部品はない。（論文の記述を要約）

PredVLAは、凍結された多モーダルの前段と、訓練する再帰的な制御器で構成されています。カメラ画像と言語指示を処理する部分は、一般データで学習済みの既存モデルをそのまま使い、そこは訓練しません。68万は、ロボットデータで学ばせた制御器の部分だけです。

これは論文の欠点ではなく、設計そのものです。ロボットのデータで学ばせる容量と、一般的な知覚や言語の表現を分けることで、前者を極端に小さくできる、という主張だからです。ただし端末で動かすときの重さは、凍結部分を含めた全体で決まります。68万という数字だけでは、どこで動くかは分かりません。

比べているのは、同じ大きさの別方式です

論文は、パラメータ数を揃えた Transformer と LSTM の模倣学習方式と比較し、短い作業3種の平均で3.7倍と7.4倍の成功率だったと報告しています。凍結する前段、教示データ、行動の出力部、評価手順はすべて同じ条件です。

つまりこの比較が言っているのは「大きいモデルより良い」ではなく、「同じ小ささなら、予測を組み込んだ方式のほうが良い」です。予測の経路を外して観測を直接入れる形に変えると、性能差の約70%が消えたとも書かれています。小さい予算で効いているのは、予測という設計だという主張です。

予測が効いている、という主張の中身

PredVLAの制御器は、カメラ画像や関節の情報をそのまま受け取りません。次に何が見えるか、関節がどうなるかを先に予測し、実際の観測とのずれだけを使って内部の状態を直します。

観測を全部読むのではなく、予想と違ったところだけを見る、という作りです。

長い作業で成功率が落ちる理由について、論文は主な分析の対象にしていません。予測のずれが積み重なるためなのか、別の要因なのかは、この報告からは分かりません。

査読前の、シミュレーションの数字です

この報告は2026年8月30日にarXivへ投稿された第1版で、査読は受けていません。評価はLIBEROというシミュレーション環境で、実機での結果は含まれていません。第三者による再現も、現時点では見当たりません。

それでも取り上げたのは、ロボット基盤モデルの伸びを決めるのはモデルの大きさより学習データの集め方だという流れを、逆側から具体化した報告だからです。データを増やす代わりに、学ばせる部分を小さくして設計で補う。

未来を予測させる範囲を広げるほど良くなるわけではないという別の報告とも、予測の使い方という点でつながります。

小型モデルをどこで動かすかは、チップ選びから始めないという順序と、訓練時に見えていた情報が本番にあるかという確認の、両方に関わります。