Physical AI

World Action Model（WAM）とは：VLAとの違いと推論の重さ

2026/10/28 （更新: 2026/11/3）

🤖 AIを使用して執筆

WAM の利点：学習で映像も予測し、作り手の報告では成功率が VLA より高い

WAM は、学習で動作と一緒に将来の映像を予測させる。作り手の報告では、この方式の FLUX 3 Action は π0.5 より成功率が高い。ただし、成功率の差を映像の予測だけに帰す比較は、作り手の報告に無い。

シミュレーションでの成功率は、RoboLab で比べられている。RoboLab は、NVIDIA の RoboLab チームが作った、ロボットの作業をシミュレーションで評価するベンチマークである¹。FLUX 3 Action（ガイダンスを学習で取り込んだ版）が 42.2%、π0.5 が 28.0% だった¹。42.2% は作り手の自己報告で、π0.5 の 28.0% は作り手が RoboLab の順位表に従って載せた値であり、誰が測ったかと、どの重みを使ったかは報告に書かれていない¹。作り手は、この成績の要因を、Cosmos 3 Nano の半分未満の大きさの基盤モデルと蒸留の二つに帰している¹。同じ順位表には π0.5 を下回る WAM もあり、DreamZero は 25.7%、Cosmos3-Edge-Policy は 22.9% である¹。VLA では、非公開の BiMind v0.1 が 33.3%、公開の π0.5 が 28.0%、π0-FAST が 15.5%、GR00T N1.6 が 7.2% である¹。

実機での成功率は、作り手が第三者評価と呼ぶ Positronic Robotics の評価にある。Positronic Robotics は自社のラボの Franka のアームで、DROID の 10 タスクを 1 タスク 3 回ずつ、各方策に同じ条件・同じ 240 秒の制限で試した。操作者はどの方策が動いているかを知らされず、全ての試行が動画に記録された。成功は FLUX 3 Action が 30 回中 28 回、π0.5 が 30 回中 13 回で、別の WAM の Cosmos 3 Nano は 30 回中 27 回だった¹。作り手自身も、どの方策も単独では解けないタスクがまだあると書いている¹。

WAM の欠点：映像と大きな基盤モデルの分だけ推論が重く、FLUX 3 Action は蒸留で段数を減らした

どちらの方策も、ノイズから始めて、ネットワークに何度か通すたびに出力を整えていく方法で動作を作る。ネットワークに 1 回通す計算を 1 段と数え、この手順をサンプリングと呼ぶ。π0.5 は 10 段で動作を作り、FLUX 3 Action の最も速い版は 1 段で作る¹。

推論でも映像を作る WAM の欠点は、1 回の推論の計算が増えることである。作り手は理由を三つ挙げる。映像と動作を同時に予測するので系列が長くなること、多くの WAM がガイダンスを使ってネットワークを通す回数が 2 倍になること、基盤モデルのパラメータが多いことである¹。作り手によれば、Cosmos 3 のパラメータは π0.5 の 4.85 倍である¹。ガイダンスは、条件を付けた出力と付けない出力の差を使って予測を強める方法で、1 段ごとにネットワークをもう 1 回通す¹。

作り手によれば、B200 で FP8（1 値を 8 ビットで持つ精度）の Cosmos 3 Nano は、BF16（1 値を 16 ビットで持つ精度）の π0.5 の約 4.7 倍の時間を、ロボットの動作 1 秒あたりに要する¹。作り手はこの状況を、WAM を選べば遅延とハードウェアの費用を払い、VLA を選べば成功する試行のほぼ 4 分の 1 を失う、と書く¹。RoboLab の成功率が Cosmos 3 Nano で 36.8%、π0.5 で 28.0% なので、π0.5 を選ぶと、Cosmos 3 Nano が成功した試行の約 24% にあたる分を失う、という計算である。

FLUX 3 Action は、映像と動作の同時予測を保ったまま、蒸留で計算を減らした¹。蒸留は、元のモデル（教師）の出力を、より少ない計算で再現するように別のモデル（生徒）を学習させる方法である。作り手は蒸留を 2 回行った。1 回目はガイダンスを生徒に取り込み、推論でガイダンスを使わずに済むようにした。この版は 1.8〜2 倍速くなり、成功率は 0.6〜1.08 ポイント上がった¹。2 回目は 4 段のサンプリングを 1 段にした。期待される速度向上は 3.15〜4 倍で、成功率は 3.51〜4.32 ポイント下がった¹。

作り手が公開した版と π0.5 の値を並べる¹。実時間比は、作り手が使う比で、1 回の推論の時間を、1 回に返る動作の秒数で割った値である。π0.5 は 1 回に 1.00 秒分、FLUX 3 Action は 2.13 秒分の動作を返す。作り手は FLUX 3 Action の実時間比と成功率を FP8 で、1 回の推論の時間を BF16 で示し、π0.5 は BF16 でだけ測っている。そこで、BF16 の実時間比は、1 回の推論の時間から本稿が計算した。

1 段の版の成功率は、作り手の本文では 38.3%、精度ごとの表の FP8 では 37.9% で、どちらも Cosmos 3 Nano の 36.8% より高い¹。作り手自身も、この速さは実時間比での利点で、1 回の呼び出しの遅延での利点ではないと断っている¹。1 段の版と π0.5 では、1 回に作る動作の個数も、段数も、パラメータ数（7B と 3.3B）も違う¹。1 回の推論の 9 ms の差のうちどれだけが映像の分かは、この比較からは分からない。

どちらを選ぶか：制御ループ、GPU、手元のデータで基準が分かれる

動作は 1 秒に 15 個の間隔（15 Hz）で実行する。π0.5 は 1 回の推論で動作を 15 個（1.00 秒分）、FLUX 3 Action の 1 段の版は 32 個（2.13 秒分）返す¹。1 回の推論の時間は、作り手が B200 で、BF16 の精度で測った中央値で、π0.5 が 31.99 ms、FLUX 3 Action の 1 段の版が 41.06 ms である¹。動作 1 秒あたりの計算時間は、1 回の推論の時間を、返った動作の秒数で割って求める。π0.5 は $31.99\,\mathrm{ms} \div 1.00\,\mathrm{s}$ で、動作 1 秒あたり約 32 ms である。FLUX 3 Action は $41.06\,\mathrm{ms} \div 2.13\,\mathrm{s}$ で、動作 1 秒あたり約 19 ms である。FLUX 3 Action は、1 回の推論では π0.5 より 9 ms 長いが、動作 1 秒あたりでは 13 ms 短い。

ロボットが 32 個のうち 15 個だけを実行して次の推論を求めると、結果は逆になる。FLUX 3 Action の 1 回の推論は 1.00 秒分の動作にしか使われず、$41.06\,\mathrm{ms} \div 1.00\,\mathrm{s}$ で動作 1 秒あたり約 41 ms になり、π0.5 の約 32 ms より長い。

制御ループがチャンクを最後まで実行してから次の推論を求めるなら、動作 1 秒あたりの計算時間が基準になり、B200 では FLUX 3 Action の 1 段の版が π0.5 より短い¹。数十 ms ごとに新しい画像で推論し直すループでは、チャンクの一部しか実行しないので 1 回の推論の時間が基準になり、π0.5 が短い¹。遅延に余裕があり成功率を優先するなら、作り手の報告ではガイダンスを取り込んだ版が最も高い¹。

GPU によっては、速さの順が入れ替わる。作り手は、1 段の版を、BF16 の π0.5 と動作 1 秒あたりの計算時間で比べている。1 段の版を FP8 で動かすと、ワークステーションとデータセンター向けの GPU では π0.5 より 1.34〜2.28 倍速い。RTX 5090 のような消費者向けの GPU では、π0.5 より遅く、FP8 で動かしても 1.15 倍、BF16 で動かすと 2.42 倍の時間がかかる¹。LaWAM の著者らは、A100 で 10 段のサンプリングの条件で π0.5 の 1 回の推論を 220 ms と測った⁷。B200 での 31.99 ms とは GPU も設定も違うので、技術者は自分の GPU で両方を測る必要がある。

GPU のメモリでは、openpi は π0.5 の推論に 8 GB を超えるメモリの GPU（例として RTX 4090）を挙げ、LoRA（Low-Rank Adaptation、重みに小さな行列を足して、その行列だけを学習する方法）による追加学習に 22.5 GB を超えるメモリを挙げる⁴。FLUX 3 Action のモデルカードは、BF16 では NVIDIA H200 上で約 32 GB の GPU メモリを使い、FP8 に量子化して文字エンコーダを GPU から外せば 24 GB のカードに収まると書く³。

手元のデータでも候補が分かれる。ただしこれは二つの作り手の学習の前提から言えることで、同じ量の実演で追加学習した成功率の比較は、本稿が読んだ資料には無い。自分のアームの実演を少ししか集められないなら、動画の事前学習で動作データの不足を補うという WAM の前提が合う。作り手も、SO-101 という小型のアームで遠隔操作の小さなデータセットを集め、追加学習した例を示している¹。言語で表した作業の手順や、複数の種類のロボットの記録を手元に持つなら、それらを一緒に学習する VLA の前提が合う。

推論で映像を作らない WAM：Fast-WAM の比較では、成功率に効いたのは学習時の映像予測だった

推論の重さを避けるため、学習でだけ映像を予測させ、推論では映像を作らない WAM もある。Fast-WAM の著者らは、同じ構成で映像の扱いだけを変えた版を比べ、成功率の差は推論時の映像生成の有無より、学習時に映像を予測させるかどうかで大きかったと報告する⁶。この節の三つの研究のうち、Fast-WAM と GigaWorld-Policy-0.5 は査読前の論文で、LaWAM は CoRL 2026 に採択された。

比べた版は四つある。推論で将来の予測を省く Fast-WAM、映像と動作を一緒にノイズから作る版、先に映像を作ってから動作を作る版、学習から映像の予測を外した版である⁶。双腕の操作を評価する RoboTwin 2.0 の平均成功率は、この順に 91.8%、90.6%、91.3%、83.8% で、学習から映像の予測を外した版だけが下がった⁶。シミュレーションの別のベンチマーク LIBERO では、それぞれ 97.6%、98.5%、98.0%、93.5% で、推論で映像を作る二つの版が Fast-WAM をわずかに上回った⁶。遅延は、RTX 5090D V2 で Fast-WAM が 190 ms、先に映像を作る版が 810 ms だった⁶。著者らは、WAM の映像予測の主な価値は、推論で将来の観測を生成することより、学習で世界の表現を改善することにあるかもしれない、と述べる⁶。

GigaWorld-Policy-0.5 の著者らは、映像のトークンは動作のトークンよりはるかに計算が重く、実時間の制御を妨げると書き、想像した将来のフレームの誤差が長い時間にわたって積み重なりうるとも指摘する⁸。GigaWorld-Policy-0.5 は、映像の変化を予測する部分と動作を作る部分を別々のネットワークに分け、推論では動作の部分だけを動かす。著者らはこの設計で、A100 で π0.5 の 225 ms に対して 189 ms、RTX 4090 で π0.5 と同等の 110 ms、C++ で実装すると 85 ms の推論の遅延を報告する⁸。

LaWAM は推論でも将来を予測するが、画素の映像を作らず、圧縮した潜在表現で作業の部分目標を予測する⁷。A100 で同じ条件（BF16・10 段）で測った 1 回の推論は、画素で映像を作る WAM の一つが 4482 ms、推論で映像を作らない Fast-WAM が 486 ms、π0.5 が 220 ms、LaWAM が 187 ms だった⁷。GigaWorld-Policy-0.5 の著者らは、同じ A100 で Fast-WAM を 229 ms と測っており⁸、同じ GPU での Fast-WAM の値が二つの測定で約 2 倍違う。

FLUX 3 Action の作り手は、映像の予測を補助の学習課題として使い、推論では映像の生成を省く方法を先行研究として整理したうえで、同時予測を保つ蒸留を選んだ¹。推論で映像を作る必要があるかは、まだ決まっていない。Fast-WAM の比較は必要性が小さいことを示唆するが、同じ比較の LIBERO では、推論で映像を作る版が Fast-WAM をわずかに上回った⁶。

同じ GPU と同じタスクで、推論で映像を作る WAM と作らない WAM と VLA を並べた測定には、自分のモデルも比べた LaWAM の著者らのものがあるが、FLUX 3 Action は入っていない⁷。比較に自分のモデルを入れない第三者の測定は、本稿が調べた範囲では、2026年10月24日の時点で見つかっていない。

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。