モデル
Meituanのロボティクスチームが、12種類のロボット本体にまたがる15,060時間の軌跡データで学習した卓上操作向けの視覚言語行動モデルMeituan-Robotics-0(MR0)をarXivで公開。論文のベンチマーク結果は自己申告
Meituanのロボティクスチームが、卓上操作向けの視覚言語行動モデルMR0を15,060時間のロボットデータとともにarXivで公開。結果は自己申告。
Meituanのロボティクスチームは2026年11月5日、Meituan-Robotics-0(MR0)をarXivに投稿した。固定ベースの卓上操作向けの視覚言語行動基盤モデルおよび身体性エージェントシステムと説明している。論文によれば、1億4700万件の視覚言語サンプルと、12種類のロボット本体にまたがる厳選した15,060時間のロボット軌跡データを組み合わせた。結果は著者自身の評価によるもので、査読は受けていない。
要点
- データ:15,060時間のうち、約3,235時間(21.5%)はオープンソースの実ロボット軌跡の集合RoboDesk、7,530時間(50.0%)はライセンスを受けた実ロボットデータ、4,295時間(28.5%)は公開シミュレーションデータだ。論文は、学習に約1万3600時間の身体データを使ったとも述べる。
- 結果:要旨は、RoboTwin 2.0で成功率93.6%、RoboDojoのVLAトラックで5位と報告する。また、同条件のHG-DAggerによる追加学習で、MR0は実ロボット3タスクの平均成功率と進捗でπ0.5を上回るとする。
- 手法:統一されたエンドエフェクタのインターフェースで異なるロボット本体に対応し、非同期のアクションチャンク統合により推論遅延が変動しても動きを滑らかに保つ。GitHubのページは、離散的な行動トークンを学ぶ第1段階と、フローマッチングモデルで連続制御に移る第2段階を説明する。
- タスク:リポジトリは、文字ブロックの配置、衣類のたたみ、ネットワークケーブルの挿入の実機デモに言及する。MR0はStarVLAの学習・展開スタックに基づくとする。
確かなことと確かでないこと
確かなのは、論文がarXivに存在し、37人の著者が記載され、上記のデータ構成とベンチマーク数値が書かれていることだ。確かでないのは、独立した再現、試験された卓上環境以外でのMR0の性能、そして見たリポジトリの文面からは確認できなかったモデルの重みの公開だ。ここでいう「卓上」は、テーブルの前の固定アームを指し、移動型やヒューマノイドのロボットではない。
なぜ重要か
大規模なロボット行動データセットは、汎用ロボットモデルの主要な入力になりつつあり、配達で知られる企業が自社のレシピと数値を公開している。5位という順位とπ0.5との3タスクの比較は、限られた証拠だ。投資助言ではない。
確立されていない点
- 93.6%と順位の独立した検証:見つからず。
- MR0の重みの公開:読んだ情報源では未確認。
- 移動型やヒューマノイドロボットでの性能:論文の範囲外。
- 査読:論文はプレプリント。
比較表
| 項目 | 2026年11月7日時点で示されている内容 | 出典 |
|---|---|---|
| 投稿 | 2026年11月5日 | arXiv |
| 学習データ | 視覚言語1億4700万件、15,060時間、12種類の本体 | arXiv |
| 内訳 | RoboDesk 3,235時間、ライセンス実機7,530時間、シミュレーション4,295時間 | arXiv HTML |
| 報告された結果 | RoboTwin 2.0で93.6%、RoboDojo VLAで5位 | arXiv |
| コード | Meituan-Robotics-0リポジトリ、StarVLAに基づく | GitHub |
よくある質問
MR0は何をするのか
カメラ画像と言語の指示を、机上で作業するロボットアームの行動に変換するモデルだ。
結果は独立したものか
いいえ。論文でMeituanのチームが報告している。
ヒューマノイド向けのモデルか
いいえ。論文は固定ベースの卓上操作を対象としている。
方法と限界
出典は2026年11月9日に確認した。arXivの要旨ページ、arXivのHTML版、GitHubリポジトリを検索の抜粋として読み、全文は読んでいない。モデルは実行しておらず、重みも確認していない。投資助言ではない。