ACE-Brain-0.6 発表：9B 具身モデルが 6 つの評価で GPT-6 Astra を上回る

ACE-Brain-0.6 は、2026 年 10 月 19 日に大晓ロボティクスから正式に発表されました。パラメータ数 9B のこの具身基盤モデルが競うのは一点だけです。ロボットに、対象がどこにあり、どこをつかみ、どこに置けるのかを正確に見させること。大晓が公表した 8 つの視覚空間アンカリング評価では GPT-6 Astra を 6 つで上回り、7 つの公開ベンチマークの平均でも 74.53 対 73.68 と僅差で勝ちました。成績は大晓が公表した資料によるもので、上観新聞は報道時に第三者評価による検証がまだ必要だと明記しています。この留保を最初に置いておきます。

競っているのは会話ではなく「狙った場所に触れる」こと

視覚空間アンカリング（Visual Grounding）とは、言語の指示を物理的な位置に対応づけることです。ユーザーが「果物をかごに入れて」と言えば、モデルは果物とかごを識別し、かごの縁、載せる面、つかむ部位、移動方向まで判断しなければなりません。大晓の分析では、GPT-6 Astra のような汎用マルチモーダルモデルは推論こそ強いものの、細かな幾何定位や複雑な空間関係の判断ではなお誤りがあり、文章の質疑ならわずかなずれは問題にならなくても、ロボットでは数センチのずれが把持の失敗に直結します。ACE-Brain-0.6 は、物体認識、多インスタンス定位、空間関係理解、機能領域認識、相互作用位置の予測、そして「対象が存在しない」という判断を一つの空間知覚能力として統合し、まさにこの隙間を埋めるために作られました。基盤は Qwen3.5-9B で、視覚エンコーダを凍結し、言語モデルのパラメータだけを教師あり微調整しています。

スコアを分解すると、勝ち方は均一ではない

差が大きいのは空間関係と機能領域のタスクで、数え上げ系のリードは小さく、公開 7 評価の平均差は 0.85 ポイントにすぎません。世代を超えた圧勝ではなく、同じ階層の中での専門特化の勝利です。RobotGrounding は 2591 問、14 種類のタスクからなる大晓自作の評価セットであり、そこでのリードは割り引いて見るべきでしょう。この結果群でより注目すべきは「対象が存在しない」という判断です。場面にユーザーが求める物がないとき、モデルは場所をでっち上げるのではなく、ないと明言しなければならず、これはロボットが実環境に入る際の安全の最低線です。似たような小型モデルの路線は最近、REKI ロボットモデルにも見られました。こちらも公開データと専門特化の最適化に頼っています。

100 万件の検証可能なデータこそ、この発表の本当の要点

ACE-Brain-0.6 の訓練サンプルは約 100 万件で、約 94 万枚の画像と 270 万組の質疑応答を含みます。チームは 30 以上のオープンなロボットデータ系列と私有の一人称データを統合し、グリッパの状態と動作の振幅からロボット操作動画のキーフレームを選別し、Grounding DINO や SAM 3 などの視覚ツールで定位、領域認識、意味校正を行い、異種データを明確な視覚的根拠を持つ教師信号へ統一しました。対照実験では、アーキテクチャと訓練方法を変えずにデータを 26 万件から 100 万件へ増やすと、公開 7 評価の平均が 69.3 から 74.5 へ上がり、データが倍になるごとに平均約 2.4 ポイント向上しました。一方、既存タイプのサンプルを増やすだけでは向上は 1 ポイント未満で、効いたのは新しい場面、新しい空間関係、新しい教師形式の導入でした。この結論こそ同業者にとって参考になります。具身データのボトルネックは多様性と検証可能性であり、単なる量ではありません。

ロボットが本当に働くまでは、まだ距離がある

冷水を浴びせておくと、空間アンカリング評価が測るのは静止画像上の定位判断であり、実場面でロボットがつかんで置く作業を連続して成功させる率ではありません。照明の変化、遮蔽、物体の変形、グリッパの実行誤差は、ベンチマークの外でスコアを食い尽くします。大晓は今回、実機タスクの成功率を公表しておらず、モデルの重みを公開するかどうかも明らかにしていません。その情報が揃うまでは、ACE-Brain-0.6 は説得力のある方向性の証明として読むのが適切です。9B 級のモデルでも、高品質な専門データを与えれば、単一の重要能力で最上位の汎用モデルに並び、超えることさえできる。ロボットをより確実に働かせられるかどうかは、実機データの登場を待つ必要があります。