大型モデルを頻繁に呼ぶほどロボットは下手になる：二重系VLAの「いつ助けを求めるか」を数値で問う研究

速い制御器が毎ステップ動き、遅く高価なモデルがときどき介入する二重系のロボット方策で、遅いモデルを呼ぶ価値が本当にあるのはいつか。また呼び出し規則が役立つかどうかをどう測るべきか。

二重系の視覚言語行動（VLA）モデルは増えているが、呼び出し規則は論文ごとにばらばらだ。固定比率、固定予算、確信度や停滞による起動などである。共通の目的がなく、コストはほとんど実測されず、評価は呼び出し計画の良しあしと遅いモジュール自体の良しあしを混同している。記録した走行を分析する際、エピソード終盤の情報が「予測」に漏れ込み、早期警報の信号を過大に見せる問題もある。

Fast-in-Slow（FiS-VLA）は手で決めた1:4の周期で大型モデルの潜在表現を更新し、Humeは価値推定に基づいて行動を再標本化し、凍結した大規模言語モデル上に作ったRoboICLは予測した行動の後半を再利用する時点をゲートで決める。OneTwoVLAは推論と行動を切り替えるトークンを学習し、最近の起動方式は不確かさが高いときや確信度が低いときに大型モデルを呼ぶ。いずれもコストのモデルや、適応型が固定比率に勝つ条件の検証を備えていない。

論文は「介入価値」を定義する。速い方策がまもなく失敗する確率で重み付けした、遅いモデルが補正した行動と速い行動との期待品質の差である。固定比率、固定予算、履歴に基づく計画は、いずれもこの値による振り分けの特殊な場合だと示した。更新過程の分析によれば、失敗が状態と無関係に起きるなら最適な計画は周期的で、適応型の起動が得る利得は遅い呼び出しと速い呼び出しのコスト比、そして失敗が時間的にどれだけ偏るかに比例する。著者は実システムでこの比を測り、推定価値が呼び出しコストを上回るときだけ問い合わせる較正済みルーターを作り、未来の情報の使用を明示的に禁じる規則と、鮮度曲線、振り分けの境界、失敗の帰属、較正の信頼性からなる4指標の評価手順を提案した。

RTX 4090一枚で、FiS-VLAの遅い更新は52ms、速い行動は55msで（比0.95）、固定の1:4周期に勝ちにくい理由が説明できる。公開されたAPI費用から見ると、RoboICLの比は約1000に達する。合成実験では較正済みルーターが同じ25%の呼び出し率で成功率0.825となり、0.762を上回った。失敗が均一なら利得は消え、偏るほど大きくなった。RoboICLの実運用記録929件に情報漏れ防止の規則を当てはめると、計画統計の早期警報AUCは0.93から0.62（p=0.010）に下がり、約1.5倍の過大評価だったことがわかった。RLBenchで微調整したFiS-VLAでは、遅い潜在表現の更新を速いステップ8回分まで間引いても測れるほどの損失はなく、平均遅延は2.1分の1に縮んだ。OpenVLA-7Bを速い方策、Qwen2.5-VL-7Bを遅いモデルとしたLIBEROの閉ループ実験（比1.53）では、言語によるサブ目標の書き換えが両方の課題群で成績を下げた。失敗した書き換えを元に戻す方式だけが正味の損失なし（90回中54回、100回中48回）で、想像した軌道で候補行動を順位付ける方式は90回中56回だった。

ルーターの主要な利得はロボットではなく合成実験から得たものだ。記録の分析は相関にとどまり、LIBEROの各条件はシミュレーションで30〜100回、速い方策自体のLIBERO-Spatialでの成功率も約57%にすぎず、著者自身、成功率の比較でわかることには限りがあると述べている。一部の結果は非公開モデルと単一のGPU機種に依存する。査読を経ていない単著のプレプリントである。