最近、アレン人工知能研究所（AI2）が主催する世界的な権威ある身体化インテリジェンスのゼロサンプル評価基準MolmoSpacesの最新ランキングで、魔法原子ブース下の汎用ロボット操作対応のVLMエージェントフレームワークEchoPolicy-0は、75.4%のロボット操作平均成功率でMolmoSpaces Combinedランキングで世界第1位となり、全4つのv1タスクを含むすべてのタスクで首位を保った。
同じランキングリスト、同じグループ内で、魔法原子自研具身智能エージェントフレームワークMagicBrainは3.4Bのパラメータ規模を背景に、72.4%のロボット操作平均成功率でMolmoSpaces Combinedリストの世界第4位となりました。その捕捉成功率は94.4%に達し、業界平均を大幅に上回っています。
MolmoSpacesランキングは、現在世界で最も信頼性の高いゼロサンプル評価基準であり、操作、ナビゲーション、より長期的な具身タスクに向けられています。MolmoSpacesエコシステムには23万以上の室内環境と約13万の物体資産が含まれており、評価に豊富な変化の源泉を提供しています。ロボットは固定されたデモンストレーション環境を超える状況に直面し、異なる背景、幾何学的構造、物体の分布の下で目標を探し、局所的な条件に応じてタスクを完了する必要があります。
同時に、MolmoSpacesには動く剛体オブジェクトや関節を持つインタラクティブオブジェクトが含まれています。ロボットは画像の中で目標を正確に見つけるだけでなく、実際のシミュレーション接触を通じてオブジェクトの状態を変更しなければなりません。これにより、ロボットの作業タスクには実質的な難しさが生まれます。
MolmoSpacesの基準は、初期状況、ロボットとカメラの構成、タスク指令、成功条件を明確に示しています。完全なリスト、統一されたスコア、公開された結果により、断片的なデモンストレーションを比較可能なデータに変換することができます。魔法原子EchoPolicy-0とMagicBrainフレームワークが関与する4つのタスクは、自由な物体の掴み方、関節を持つ物体との相互作用、多段階の操作に関わり、個々の指標だけを見るのではなく、具身知能エージェントフレームワークのシステム能力を異なる側面から検討しています。
2026年以降、ボディを有するインテリジェンスはデモンストレーション段階から実際の生産ラインへと移行しており、競争の焦点はロボットの「脳」であるボディを有するインテリジェンスの大規模モデルに移りつつある。ロボットの動きの制御能力が急速に向上するにつれて、ロボットの身体はより柔軟で耐久性も高くなり、脳の実用的な応用も身体の境界が開かれることによって迅速に進化している。それに伴い、市場の研究方向は、より複雑なタスクをどのように実行するか、新しいタスクをどのように迅速に習得するかへと移りつつある。MolmoSpacesの評価も、ボディを有するインテリジェンスの大規模モデルの一般化能力に注目している。
マジック原子研究開発ラボのMagicLab Studioの責任者は次のように述べています。「具身脳のアプローチを選択するにあたり、階層化されたアーキテクチャを支持し、指令の遵守能力が現在のモデルが一般的なタスクで直面している課題であると認識しています。EchoPolicyはAgentフレームワークとトラッキングスコアを用いて指令の遵守能力を確保し、MagicBrainはエンドツーエンドの視覚ガイド方式で指令の遵守効果を向上させており、両方とも良好な結果を得ています。」
EchoPolicy-0：ロボットが複数のタスクを同時にこなすための思考と行動の方法
ロボットが任務を完了するためには、言語目標、視覚観察、物理的な動作を継続的に結びつける必要がある。例えば物体を掴んだ後、本当にしっかりと握ったかを判断する；コンターネックの開閉前に、対話可能な位置を見つける；一つの動作が期待通りに行われない場合、ロボットは新しい状況に応じて計画を調整する必要がある。
これらの動作は異なるように見えますが、身体を持つインテリジェントロボットが異なるタスクをこなす際に直面する共通の問題です：目標はどこか、現在の状態はどうか、どの能力を呼び出すべきか、動作が目的を達成したか、そして失敗した場合にどう続けるか。
魔法原子MagicLab Studioは、これらのタスク間共通の問題を中心に、視覚言語モデル、幾何学的操作ツール、一般的な動作戦略を一つの統一されたVLMエージェントフレームワークEchoPolicy-0として構築しました。これにより、環境の観察、目標の理解、能力の選択、動作の実行、そして結果の検証が閉環的に連携します。異なるタスクはこのメカニズムを共有し、具体的な接触や動きは対応する実行装置によって行われます。
EchoPolicy-0フレームワークの研究開発責任者は次のように述べています。「EchoPolicy-0の汎用性は、機能を統一して呼び出し、組み合わせ、検証できる点にあります。EchoPolicy-0の現在のバージョンは、Franka片腕型プラットフォーム上で4種類の操作の検証が完了しています。」
VLAの使用方法において、MagicLab StudioはVLM目標誘導の複数候補軌道選択を導入した。つまり、動作モデルがさまざまな可能性のある動きを提案し、その候補を画像平面に投影した後、VLMが指定した目標に基づいてより適合した軌道を選択し、実行後に継続的に検証する。このようにして、高層的な視覚理解が低層の動作選択に参加し、単なるタスクの分解にとどまらない。
EchoPolicy-0フレームワークは、MolmoSpacesの4つの操作タスクにおいて3915局の全量評価を完了し、4つのタスクの等権平均成功率は75.4%であった。2026年10月13日現在、MolmoSpaces Combinedランキングで第1位に位置している。
MagicLab Studioは、EchoPolicy-0フレームワークをMolmoSpaces上で行った4つの評価を、統一フレームワークの一次的なシステム検証と見なし、各セクションの結果をもって後続のイテレーションを指導している。 EchoPolicy-0は、一般的なロボット操作向けのシステムアプローチを示しています。統一されたAgentフレームワークは、異なる種類の操作能力を組織することができます。VLM Agentがセマンティック目標とタスク状態を管理し、幾何学的ツールが確認可能な空間相互作用を提供し、一般的なアクション戦略が候補を生成します。VLM目標によって導かれる軌道選択の制約によって動作方向が決定され、その後継続的な検証によってそれらが接続されます。
EchoPolicy-0は、ボディありインテリジェントモデルの実用化シナリオに対して、一つの問いに答えている。すなわち、モデルが提案する動作の中から、どの動作が正しいかをどう確認するかということである。この仕組みではモデルの入力を変更せず、モデルが提示する複数の候補動作の中から、視覚的な目標に最も適合するものを選び出し、実行後も継続的に検証する。下流の顧客にとって、このアプローチの価値は単一の成功率にあるのではない。新しいタスクが追加される際には、最初からシステムを構築する必要はなく、単に能力を同じフレームワークに組み込むだけでよいのである。
自社開発の脳：MagicBrainにより、モデルが「デモ用利用可能」から「生産ラインでの利用可能」へと進むことができる
具身智能エージェントフレームワークであるMagicBrainは、魔法原子MagicLab Studioから派生しています。MolmoSpacesの「取得」「置く」「開く」「閉じる」という4つの操作タスクにおいて、MagicBrainは3915局の全量評価を完了し、4つのv1タスクの平均成功率は世界で第四位となりました。その中で、「取得（Pick-v1）」と「置く・置く（Pick & Place-v1）」の2つのタスクは、それぞれのトップランキングを世界で初めて達成し、取得タスクの成功率は94.4％に達しました。
視覚-言語-動作（VLA）は、現在の具身知能分野で注目を集めるモデル構造の一種であり、言語の従属性能力は業界内で長い間存在する共通の問題です。モデルに「リンゴをバスケットに入れる」といった指示を実行させることは、二つの難しい作業を含みます。まず「リンゴ」という名詞を理解し、次にピクセルレベルでどれが「リンゴ」であるかを特定することです。
MagicLab Studioは研究開発とテストの中で、取得失敗のケースにおいて、ほとんどが動作の不安定さによるものではなく、対象を間違えてしまったか、位置を間違えたことによるものだと発見しました。言い換えれば、VLAは動作学習において十分に強いですが、真の弱点は名詞フレーズを画像領域に結びつけることであり、これがトレーニング信号が最も希薄な部分です。つまり、「リンゴ」を捕まえようとして隣の「梨」を捕まえてしまうのです。問題は手ではなく、目です。
実際に、VLAの視覚信号への追従能力は、言語指示への追従能力よりも強い。「話を理解する」ことがVLAの弱点であり、「図を読む」ことが長所である。そのため、MagicBrainはIn-Context Visual Guidanceと呼ばれる技術を採用しており、VLAは動作を行うだけで、目標を見つけることは、図を見るのが得意なVLMエージェントに任せている。
将来、この視覚ガイド技術は、インタラクティブなどさらに多くのシーンにも応用可能になるだろう——結局のところ、モデルに「見るべきもの」を描くということは、単に取得するだけに限らないからだ。MagicBrainは、より効率的な分担パターンを提供している。言語が「何をするか」を明確にし、ピクセルが「どこで、どのようなものか」を明確にする。二つの情報をそれぞれ得意なモデルに渡すことで、新しいモデル構造を導入することもなく、より多くのパラメータを積み重ねることもない。単に情報の伝達経路を再配置するだけである。
「VLAが言語を理解する基盤の上で、さらに『見る』能力を高め、何を見るべきかを知るようにする」と、MagicLab Studioの責任者は述べた。この技術アプローチは、大規模モデルの性能を得るためにパラメータの規模を拡大することに依存していない。今回評価に参加したモデルのパラメータ規模はわずか3.4Bである。
これは、基本的なデータ処理能力を持つどのチームでも低コストで再現可能であり、モデルのサイズにこだわらず利益を得ることができるという意味です。具身インテリジェンスが規模化へ進む過程において、「全能ではなく組み合わせ」という分業の考え方が、「一つのモデルで全てをこなす」よりも現実に近いかもしれません。
業界レベルでは、魔法原子が注目を集める問いに答えました。VLAは本当に利用可能で、実用的なのかということです。キャプチャとプレイスメントは、具身インテリジェンスが実験室から実際のシナリオへ移行する際の重要な基本動作です。工場での分類、倉庫での運搬、家庭での整理などがこれに依存しています。キャプチャの成功率が以前の70％から94.4％へと向上したことから、VLAは「デモ用の利用」から「生産ラインでの利用」への境界線に近づいていると言えます。業界にとって、成功率が少しでも向上するごとに、商業化可能なシナリオの範囲が広がります。
魔法原子の「具身脳」設計哲学
MolmoSpacesのランキングで世界第1位を獲得したが、魔法原子が関心を持っているのは、そのランキングの背後にある真の問題です。つまり、具身インテリジェントロボットの脳は、どのように成長し、どこに成長するのかということです。魔法原子MagicLab Studioの責任者はそう述べました。
魔法原子は、具身スマートが層別協同の技術路線に沿って進展すべきだと考えている。上層モデルが理解や計画、誤りの修正を担当し、下層モデルがタスクの意図を信頼できる物理的な動作に変換する。
上層モデルは、視覚理解、タスクの分割、計画決定、誤りの修正、および記憶管理を担う必要がある。現在、先進的な基礎モデルはこれらの面で良好な基盤を持っているが、身体を持つシナリオにおける空間関係、物理的制約、および継続的な相互作用に対応するための調整がまだ必要である。 上記の責任者は、業界において短期的にはモデルの運用を中心としたHarnessの構築に重点を置くべきだと考えています。これにより、コンテキスト管理、ツールの呼び出し、実行時のフィードバック、および評価メカニズムを統合し、フィードバックを基にした反復最適化を探求する必要があります。RSIの方向も含まれます。長期的には、実際のシナリオデータに依存して自主的なトレーニングと後処理を行い、モデル自体の理解能力と意思決定能力を徐々に高めていく必要があります。
その責任者は、動作生成と制御実行の底層モデルを担当する際には、VLA、WAM、または他の混合アーキテクチャを使用することができると述べました。アーキテクチャの選択は実際のタスクに応じて行われるべきであり、命令の遵守、動作の精度、実行効率、および汎用性の能力が重視されるべきです。
現在、階層構造自体が業界で広く議論されていますが、重要な問題の一つはまだ十分に解決されていません：上層のタスク意図を、下層が正確に理解し、安定して実行する方法です。
魔法原子MagicLab Studioは実験で、現在の動作モデルが分布外（OOD）状況下で目標選択の誤りや空間制約の理解のずれといった問題が発生しやすいことを発見した。そのため、チームは2つの補完的な解決策を試みた。
第一つは、今回MolmoSpacesランキングで第1位を獲得したEchoPolicy-0です。Agentスケジューリング、候補選択、闭环検証を通じて、実行と指令の一致性を高めています。上層モデルはタスクを明確な子目標に分解し、システムは下層モデルが生成する複数の候補動作軌道を評価し、現在の指令により適合する候補を選択します。実行後は、新たな観測による進捗を判断し、続行、再試行、再計画、または戻るかを決定し、必要に応じて幾何学的ツールを呼び出して特定の操作を完了します。
この技術アプローチの利点は、基層モデルを再学習することなく、スケジューリング、選択、検証メカニズムを改善することで迅速に反復実験を行い、既存モデルのタスク遂行能力を向上させることができる点です。
マジックブレインのアプローチは、明示的な視覚ガイドと対応するトレーニングを通じて、動作生成段階の目標一致能力を向上させるものです。
中で参考になるのは、上層と下層の間の視覚的な導きメカニズムです。MagicBrainは、上層が認識したインタラクティブな目標、配置領域、および短期の動きの履歴を、視覚的マークの形で下層モデルの観測に組み込むことで、タスクの意図を画像内の具体的な位置に直接対応させます。この方法ではVLAのネットワーク構造を変更する必要はなく、後続の訓練を通じてモデルが視覚的マークと操作の意味論、動作行動を結びつけることを学習し、言語指示だけに依存する場合の曖昧さを減らします。
2つのアプローチは、「動作生成」と「実行、選択、検証」の2つの段階にそれぞれ作用し、強い相補性を持っています。視覚誘導は基層が目標に合致する動作を生成するのを助け、Agent調整は選択、実行、検査、誤りの修正を担当します。
今回のEchoPolicy-0は第1位を、MagicBrainは第4位を獲得し、2つのパスが有効であることが確認されました。
未来について言えば、マジックアトムは次の段階で、二つの要素を組み合わせて、タスクの理解から物理的な実行までの完全なフィードバックループを形成し、実際の産業環境に入り、タスクの成功率、運用の安定性、デプロイコストを継続的に検証し、その過程でデータとモデルプラットフォームを改善していくと述べています。 検証された能力を再利用可能なスキルモジュール、標準インターフェース、ソリューションへと蓄積し、同時にシステムは成功、失敗、および人間による修正データを蓄積する。これにより「デプロイ—収集—訓練—評価—再デプロイ」の持続的な反復メカニズムを構築し、エンジニアリング経験を基本モデル能力へと変換する。