LLMなしで7Bモデル超え、ロボットAI「TurboVLA」が示すVLA設計の転換点
2026年8月1日 01:31
華中科技大学（HUST）とHuawei Technologiesの研究チームは2026年7月30日、大規模言語モデル（LLM）を搭載しない視覚・言語・行動（VLA）モデル「TurboVLA」を発表した。消費者向けのNVIDIA RTX 4090 GPUにおいて、1GB未満のVRAMで32Hzの推論速度を達成しつつ、標準的な操作ベンチマークで70億パラメータのモデルに匹敵する性能を示している。
■LLMを排除した「V+L→A」アーキテクチャ
過去3年間、視覚・言語・行動（VLA）分野では、大規模言語モデル（LLM）をバックボーンとすることが不可欠であるという前提のもとでフロンティアモデルが構築されてきた。華中科技大学とHuawei Technologiesの研究チームが2026年7月30日にリリースしたTurboVLAは、この前提に直接異を唱えるものである。同モデルは、LIBERO操作ベンチマークで平均97.7%の成功率を達成し、消費者向けのNVIDIA RTX 4090 GPU上で1GB未満のVRAMを使用して32Hzで動作する。これらすべてを、言語モデルを一切含まない2億パラメータのアーキテクチャで実現している。
この意義は、現在主流のオープンソースVLAであるOpenVLAの推論要件を知ればすぐに理解できる。OpenVLAは同じRTX 4090上で約14GBのGPUメモリと約6Hzのスループットを必要とする。TurboVLAは、パラメータ数で35分の1という小規模なモデルでありながら、16分の1のメモリで5倍の推論速度を叩き出し、入念にファインチューニングされた7BバージョンのLIBERO精度（97.1%）と同等以上の結果を出している。
この結果は、推論速度の問題を解決するために専用の組み込みチップを待ち望んでいたロボット工学の研究者にとって重要である。AMDは今月（2026年7月）、VLAの推論には128GBのユニファイドメモリが必要であるという主張を明確な根拠として、Ryzen AI Embedded X100プロセッサシリーズを発表した。しかしTurboVLAは、問題は常にハードウェアではなくアーキテクチャにあったこと、そして多くの研究室にすでにある消費者向けゲーミングGPUで十分であることを示唆している。
■V→L→AからV+L→Aへの転換
TurboVLAの違いを理解するためには、標準的なVLAパイプラインを正確に定義しておく必要がある。OpenVLAのようなモデルは「V→L→A」の経路をたどる。ロボットのカメラからの視覚的観測がLLMの表現空間に投影され、言語指示も同じLLMで処理された後、モデルが自己回帰的に（1度に1つの離散トークンとして）行動トークンをデコードし、その後初めてロボットが動くことができる。モデルのパラメータとそれに伴うメモリフットプリントの大部分は、このLLMが占めている。
TurboVLAはこれを直接的な「V+L→A」のマッピングとして再構築している。TurboVLAのGitHubリポジトリの詳細によれば、DINOv3 ViT-Bビジョントランスフォーマーがカメラフレームを独立してエンコードし、BERT base uncasedエンコーダーが言語指示を独立して処理する。そして、GroundingDINOのコンポーネントから初期化された軽量な双方向アテンションモジュールにより、10億パラメータ規模の言語モデルを経由することなく、2つのストリームが互いに情報を補完し合う。その後、行動チャンキングデコーダーが1回のフォワードパスで将来のロボットの行動シーケンス全体を予測する。
中核からLLMを削除した結果、モデルは70億パラメータから2億パラメータへと縮小し、推論時のVRAMは約14GBから0.9GBに減少し、RTX 4090でのスループットは6Hzから32Hzに向上した。TurboVLAの論文によれば、この32Hz（推論呼び出し1回あたり31.2ミリ秒）という数値は、応答性の高い閉ループ操作の最低ラインとして分野内で一般的に扱われている10Hzの閾値を3倍以上上回っている。
■LLMは実際に操作性能に寄与していたのか
この結果は、TurboVLAの著者らが十分に言及していない、より難しい疑問を提起している。言語モデルのバックボーンを持たないモデルが、標準的な操作ベンチマークで最先端の7B VLAと同等以上の性能を発揮するのであれば、LLMのバックボーンはこれまで操作性能に一体何をもたらしていたのだろうか。視覚・言語・行動モデルのWikipediaエントリには「一般的にVLMをファインチューニングして構築される」と記されているが、この説明はLLMを設計上の選択肢ではなく前提条件として扱っている。TurboVLAは、競争力のある精度で直接的な反証を提示した初めての結果である。
TurboVLAのLIBEROでの結果を素直に解釈すれば、ピックアンドプレイス、空間配置、学習済みオブジェクトを使った目標条件付き移動といった分布内の操作タスクにおいては、ウェブスケールの言語事前学習は全く恩恵をもたらさないか、あるいはわずかな恩恵しかもたらさない可能性がある。DINOv3の視覚的グラウンディング能力とGroundingDINOのクロスモーダルアテンションだけで、言語指示をグラウンディングし、これらのタスクにおいて競争力のある行動シーケンスを生成するのに十分であるとみられる。
より複雑な問題は、学習分布外で何が起こるかである。LLMの有用性は主に分布外への汎化、すなわち膨大なインターネット上のテキストで事前学習されたモデルは、未知の物体の組み合わせや新しい指示の言い回し、見たことのない環境にも推論を適応させることができるという主張に基づいている。広く使われているシミュレーションベンチマークであるLIBEROは、130の卓上操作タスクをSpatial、Object、Goal、Longの4つのスイートに分類し、同じ学習分布から抽出されたタスクでモデルをテストする。これは設計上、統制された評価となっている。
■LIBEROベンチマークが示すものと示さないもの
LIBEROはこの分野で最も広く使われているシミュレーションベンチマークだが、TurboVLAの結果に直接関わる文書化された限界がある。統制された摂動を導入するロバスト性評価フレームワークであるLIBERO-PROやLIBERO-Plusを用いた研究では、標準のLIBEROで90%以上の成功率を達成したモデルでも、カメラの視点やロボットの初期位置を少し変更しただけで30%未満に低下する可能性があることが判明している。この分野の広範な調査では、95%以上のベンチマーク性能は現在では非常に一般的であり、意味のある伸びしろは統制された4つのスイートの形式ではなく、主に長期的な操作の改善にあると結論付けられている。
これはTurboVLA特有の批判ではなく、97.1%のOpenVLA-OFTや98%に迫るモデルを含め、LIBEROリーダーボード上のすべてのモデルが直面している問題である。しかし、LLMバックボーンを維持するためのアーキテクチャ上の根拠がまさに汎化の主張（言語の事前学習が世界に関する事前知識を提供し、モデルが未知の条件に対処するのを助けるというもの）であるため、ここでは特に関連性が高い。TurboVLAは、LLMを持たないアーキテクチャが、LIBERO-PROやLIBERO-Plusで文書化されているようなロバスト性の低下に対して影響を受けやすいかどうかについては言及していない。
現時点（2026年7月31日）で、摂動下におけるTurboVLAのロバスト性を評価した独立した第三者は存在しない。論文が発表されたばかりであることを考えれば、これは失格となるような欠落ではない。しかし、実際のシステムを構築しているTechTimesの読者が、97.7%という数値を展開準備完了のシグナルとして扱う前に知っておくべきことである。
■エッジ展開における「RTX 4090で32Hz」の意味
速度に関する結果は、最も即効性のある実用的な発見である。32Hzで動作するロボットコントローラーは、約31ミリ秒ごとに移動コマンドを更新する。OpenVLAが動作する6Hzでは、同じロボットが新しいコマンドを受け取るのは167ミリ秒ごとになる。壊れやすい物体を扱うマニピュレーターアームにとって、この違いは軌道修正ができるか、接触を失って落としてしまうかの差となる。
ロボット工学チームにとってより具体的な利点は、1GB未満のVRAMに収まるモデルであれば、専用の推論ハードウェアを必要とせずに、認識パイプライン、安全モニター、センサーフュージョンなどの他のオンボードプロセスとGPUを共有できることである。14GBのモデルではそれは不可能である。これは、電力とメモリの予算が限られており、AMD X100の128GBユニファイドメモリプールを物理的に組み込むには大きすぎるか高価すぎるモバイルマニピュレーターやヒューマノイドプラットフォームの展開の計算を変化させる。
TurboVLAのコードベースはApache 2.0ライセンスの下で公開されており、ライセンス契約を結ぶことなく、どのチームでもダウンロード、実行、変更、商用展開が可能である。LIBEROとRoboTwin 2.0の両方のトレーニングスクリプト、正規化統計、BERTテキストキャッシュユーティリティ、評価ツールは、公開されているGitHubリポジトリに含まれている。
■Apache 2.0でのオープンソース化とHuaweiの管轄権の背景
コードとモデルの重みは、HUSTのH-EmbodVisグループとHuawei Technologiesの共著者によって公開されている。プロジェクトリーダーのDingkang Liang氏がHUST側を率い、Huaweiの共著者（Xuanyang Xi氏、Yiping Tang氏、Di Xu氏）がアーキテクチャとトレーニングに貢献した。
Huawei Technologiesは中国企業である。2017年の中国国家情報法第7条は、すべての中国の組織および市民に対し、要求に応じて国家情報活動を支援、援助、協力することを義務付けている。これは、米国、英国、オーストラリア、スウェーデンが重要なインフラからHuaweiの機器を制限または禁止するに至った法的枠組みである。これは確認されたインシデントがあったからではなく、法的な義務が構造的かつ無条件であるためである。
TurboVLAに関して言えば、重要となる実用的な違いは、先月（2026年6月）のLingBot-VLA 2.0に適用されたものと同じである。Apache 2.0ライセンスであるため、研究者はモデルの重みをダウンロードし、自社のコンピューティングインフラ上で実行することができる。この構成では、ロボットの環境からのデータがHuaweiやHUSTに流れることはない。中国の情報法は、Huaweiが保持していないデータへのアクセスを強制することはできない。この法的背景は、Huaweiのクラウドインフラや、この研究に基づいて構築される将来の独自サービスとやり取りするチームに関連するものであり、オープンソースの重みを自社のサーバーでセルフホストするチームには関連しない。
この違いは、読者の推測に委ねるのではなく、明確に言及しておく価値がある。Apache 2.0の重みをセルフホストすることが、その法的リスクを回避する道である。
■RoboTwinでの結果と実世界への展開
LIBEROにとどまらず、TurboVLAは、協調的な双腕操作を必要とする50のタスクをカバーする、より複雑な双腕ベンチマークであるRoboTwin 2.0での結果も報告している。RoboTwinでは、チームはより大規模なDINOv3 ViT-L視覚エンコーダーと50ステップの行動チャンキングヘッドを使用している。RoboTwinの具体的な数値は論文に記載されており、両方のベンチマークの完全なトレーニングおよび評価スクリプトはGitHubリポジトリにある。
実世界でのデモンストレーションも注目に値する。GitHubリポジトリには、シミュレーション結果だけでなく、同期ポリシー推論を用いて物理的な操作タスクを実行するTurboVLAの動画が含まれている。VLAの効率化アプローチの中には、非同期推論（前のチャンクが実行されている間にアクションを予測する）を使用してより高い実効周波数を報告するものがあるため、同期推論であるという点は重要である。TurboVLAの32Hzという数値は同期式であり、ロボットが結果を実行する前に各推論呼び出しが完了することを意味する。
このアーキテクチャのLIBEROでの性能が、未知の物体、制御されていない照明、さまざまな表面の質感など、本番環境での展開に必要とされる実世界でのロバスト性に変換されるかどうかは、今後数ヶ月にわたる独立した評価によって答えが出される未解決の疑問である。現時点では、アーキテクチャ上の結果は明確である。パイプラインからLLMを削除することで、分布内のベンチマーク性能に測定可能なコストをかけることなく、より小さく、より速く、より展開しやすいモデルが生成される。
■注目ポイントQ&A
●言語モデルのバックボーンを削除したということは、TurboVLAは単純な指示にしか従えないということですか。
LIBEROの結果を見る限り、そうではありません。LIBEROには、空間的に変化するシーン全体で言語のグラウンディングを必要とする目標条件付きタスクが含まれています。TurboVLAは、BERT base uncasedを使用して言語指示をエンコードし、双方向アテンションモジュールを使用して、LLMを経由せずにそれらの指示を視覚シーンにグラウンディングします。LIBEROの4つのスイートのタスク分布においては、これで十分であるとみられます。LLMのウェブスケールの事前知識が理論的に最も役立つシナリオである、学習分布外の未知の指示や物体に汎化するかどうかについては、本稿執筆時点では独立して評価されていません。
●97.7%というLIBEROのスコアは、実世界への展開に向けた信頼できるシグナルですか。
展開に関する結論を出す前に、さらなるロバスト性評価を必要とする強力なベンチマーク結果として扱うべきです。LIBERO-PROおよびLIBERO-Plusの研究では、標準のLIBEROスイートで90%以上を達成したVLAモデルでも、カメラの視点、ロボットの初期位置、物体の配置などのわずかな摂動下で30%未満に崩壊する可能性があることが文書化されています。これは、ベンチマークのデフォルトの評価が分布シフトに対してテストを行わないためです。TurboVLAは現時点ではこれらのロバスト性ベンチマークで評価されていませんが、論文が発表されたことを考慮すると、その評価は進行中であると考えられます。97.7%という数値は、LLMを持たないアーキテクチャが競争力を持つことを示していますが、LIBERO-PROが明らかにするために構築された摂動にどう対処するかはまだ確立されていません。
●ロボットがNvidiaのハードウェアで動作している場合、チームはTurboVLAを使用できますか。
はい。TurboVLAはハードウェア製品ではなく、Apache 2.0の下でリリースされたソフトウェアモデルです。CUDA互換のGPUで動作し、ベンチマーク結果はNVIDIA RTX 4090で測定されました。インストールにはCUDAを備えた標準のPyTorchを使用し、LIBEROおよびRoboTwin評価用に個別のPython環境を使用します。GitHubリポジトリには、両方のベンチマーク環境のセットアップ手順、トレーニングスクリプト、および評価ツールが含まれています。ライセンス交渉、API契約、クラウドへの依存は必要ありません。
●Huaweiが関与していることを踏まえると、モデルをセルフホストすることで実際に何から保護されるのですか。
中国の法律に基づくHuaweiの法的義務から保護されます。2017年の中国国家情報法第7条は、Huaweiに対し、要求に応じて中国の諜報機関に協力することを義務付けています。この義務は、Huaweiが自社のインフラストラクチャ上に保持するデータに適用されます。TurboVLAのApache 2.0の重みをダウンロードして自社のサーバーで実行する場合、ロボットの運用データがHuaweiに届くことはなく、情報法を使用してHuaweiが持っていないデータへのアクセスを強制することはできません。法的リスクは、Huaweiのクラウドサービス、API、またはこの研究から派生した将来の独自製品を使用するチームに関連するものであり、オープンな重みを自社のコンピューティングでセルフホストするチームには関連しません。
元記事: TurboVLA Matches 7B Robot AI Without Language Model: 32 Hz on Consumer GPU