Rho
Microsoft のオープンな 5B VLA。一般的な双腕ロボット 3 機種に事前適応済み
ライセンス
MIT
概要
Rho は Microsoft Research が 2026 年 9 月に MIT ライセンスで公開した、双腕ロボット向けのオープンウェイトの視覚・言語・行動(VLA)モデル群だ。各モデルは約 50 億パラメータで、物理的なグラウンディングを追加学習した 4.68B の Phi 系の視覚言語モデルに、エンドエフェクタの動作を約 1 秒分ずつ出力する 542M のフローマッチング行動エキスパートを組み合わせている。考え方は 2 段階で適応させることだ。双腕中心の 3,200 時間を超えるロボットデータで事前学習した Rho-base を、まず特定の 1 台のロボットの約 300 時間分のデータで中間学習(midtraining)する。公開されたチェックポイントは、I²RT YAM Box、UR AI Trainer、Franka FR3 Duo についてこの段階を済ませてある。そのため、タスクへのファインチューニングに必要なデモが少なくて済む。コードは LeRobot のデータセットでファインチューニングし、LIBERO と RoboEval で評価し、websocket でポリシーを提供する。重みとデータセットはすべて Hugging Face にあり、手法は技術レポートに記されている。
オープンな VLA の多くは幅広く事前学習したあとタスクに直接ファインチューニングするので、デモがロボットとタスクを同時に教えなければならない。Rho の前提は、まずロボットを覚えることだ。事前学習とタスクのファインチューニングの間に、機体ごとの中間学習の段階がある。1 台のロボットの数十のタスクファミリーにわたる約 280〜300 時間のデータで 2 エポック学習する。目的はどのタスクを極めることでもなく、そのロボットのカメラ、運動学、作業空間、制御の作法を吸収することだ。著者らは普及している双腕プラットフォーム 3 機種についてこの段階を済ませたモデルを公開しており、そのいずれかを持つ研究室は、自分のハードウェアをすでに知っているモデルから始められる。
この考え方の裏付けは、目を引く 1 つの数字ではなく対照実験にある。RoboTwin 2.0 シミュレーターでは、中間学習したモデルがファインチューニング用デモの半分で Rho-base と同じ成功率に達し、差はデータ量が最も少ないときに最大だった。実機の FR3 Duo では、同じ 150 本のプラグ挿入デモで、Rho-base は成功率 60%、中間学習 1 エポック後は 76.7%、公開された 2 エポックのチェックポイントは 86.7% だった。YAM Box の BusyBox ベンチマークでは約 2,000 本のデモを使い、ファインチューニングした Rho-YAM-Box が全体で 90% に達し、π0.5 と並び、GR00T N1.7 と MolmoAct2 を上回った。
公開物にはオンラインの段階も含まれる。モデル内部の小さな潜在ポリシーが人による修正的な介入から学び、それ以外はすべて凍結したままにする。レポートでは、15 の修正エピソードで FR3 Duo の試験管組み立ての最も難しい配置の成功率が 30% から 70% に上がった。状態と行動のインターフェースは汎用的で、1 ステップあたり最大 32 次元、使わない次元はマスクされる。そのため同じモデルで、関節空間かエンドエフェクタか、差分か絶対目標か、片腕か両腕かを扱える。
重要な理由
VLA を使ううえで高くつくのはダウンロードではなく、自分のロボットとタスクに適応させることで、通常はタスクごとに数百本のデモが要る。Rho はそのコストのうちロボット固有の部分を、多くの研究室がすでに持っている 3 機種向けの公開チェックポイントに移し、MIT ライセンスで提供する。レポートは、実機での π0.5、GR00T N1.7、MolmoAct2 との対照比較でその主張を裏付けている。オープンな VLA に、OpenPI、GR00T、MolmoAct に並ぶ、大手研究所による 4 つ目の本格的なファミリーが加わったことにもなる。
解決する課題
汎用の VLA を新しいタスクにファインチューニングすると、デモがロボットとタスクを同時に教えることになる。Rho はこの 2 つを分ける。ロボットは双腕 3 機種向けに公開された中間学習済みチェックポイントで一度だけ学ばれるので、タスクのファインチューニングはハードウェアをすでに知っているモデルから始まり、必要なデモが少なくなる。さらに軽量なオンライン段階が、少数の人による修正から展開済みのポリシーを改善し続ける。
主なポイント
- オープンウェイトの 5B VLA:物理的グラウンディングを学習した 4.68B の Phi 系 VLM と、542M のフローマッチング行動エキスパート
- Rho-base は双腕中心の 3,200 時間超のロボットデータで事前学習され、YAM Box、UR AI Trainer、FR3 Duo 向けのバリアントへ中間学習される
- RoboTwin 2.0 では、中間学習したモデルがファインチューニング用デモの半分で Rho-base に並んだ
- ファインチューニングした Rho-YAM-Box は BusyBox で 90% に達し、π0.5 と並び、GR00T N1.7 と MolmoAct2 を上回った
- 15 の修正エピソードによるオンライン適応で、FR3 Duo の最も難しい試験管の配置が 30% から 70% に向上
- コード、重み、ファインチューニング用データセットは MIT ライセンス。LeRobot のデータセットで学習し、websocket で提供
対象
- 事前適応済みの初期ポリシーが欲しい、I²RT YAM Box、UR AI Trainer、Franka FR3 Duo を持つ研究室
- 双腕操作でオープンな VLA を比較し、強力な MIT ライセンスのベースラインが必要なチーム
- データ効率のよい適応、中間学習、人の修正からの学習を研究する人
- 自分のデータセットで 5B の VLA をファインチューニングしたい LeRobot ユーザー
制限事項
- 3,200 時間の事前学習データとロボットごとの中間学習データは公開されていない。公開されているのはチェックポイント、BusyBox データセット、LIBERO と RoboEval のファインチューニングデータのみ
- 事前適応済みのバリアントは双腕 3 機種だけ。それ以外のロボットは Rho-base から始め、独自の中間学習かより多くのタスクデータが必要
- 比較は著者ら自身のロボットとプロトコルによるもので、プロジェクトページ自身も 3 つのプラットフォームと少数のベンチマークでは汎用的な性能は示せないとしている
- タスクのポリシーには依然として実機で約 100〜300 本のデモが必要で、中間学習はそれを減らすが無くしはしない
- 学習と推論には CUDA GPU と、CUDA ツールキットでビルドした FlashAttention 2 が必要。Docker を使う場合はビルドに約 100 GB の空きが要る
- 2026 年 9 月末の公開で、まだ外部での実績はない