PRIMO R1: ロボット操作におけるプロセス推論の新時代を拓くか？

PRIMO R1は、ビデオMLLMsをアクティブな評価者に変換し、ロボティックマニピュレーションにおけるプロセス推論の精度を向上させる。

元記事タイトル: ロボット操作におけるプロセス推論: PRIMO R1によるアクティブな評価システム

arXiv cs.AI 2026年07月08日

査読未完了の可能性があります。完成した査読済み論文としてではなく、研究コミュニティ向けの早期共有として読んでください。

RESEARCH 研究論文 / Preprint

Field Note 読む前に確認

3行まとめ

PRIMO R1は、ビデオMLLMsをアクティブな評価者へと進化させます。
チェーン・オブ・サイン思考の生成を促進し、進行状況を正確に推定します。
初期と現在の状態画像間で明示的に結びつけられた時間的入力を利用しています。

こんな人に関係ある話

ロボティクスエンジニア AI研究者機械学習開発者

信頼度メモ

プレプリント論文（査読前の可能性あり）

記事の読み解き Reading

元記事を材料に、要点、編集視点、良い点と懸念点を読みやすい順に整理しています。

この研究では、長期的な視点での正確なプロセス監視が課題であるロボティックマニピュレーションの分野において、PRIMO R1という7Bパラメータモデルを導入します。PRIMO R1は、ビデオ多言語大規模言語モデル（MLLMs）をアクティブな「評価者」に変換し、チェーン・オブ・サイン思考の生成を促進することで進行状況を推定します。この手法は、初期と現在の状態画像間で明示的に結びつけられた構造化された時間的入力を利用しています。PRIMO R1は、専門的な理由基準モデルに対して50%の平均絶対誤差削減を達成し、72Bスケールの大規模MLLMよりも相対的な精度向上を示しました。

編集部コメント

PRIMO R1は、ビデオMLLMsが単なる観察者からアクティブな評価者へと進化させる画期的な手法です。この研究は、長期的なタスク管理におけるプロセス推論の重要性を強調し、将来的にはより複雑で高度なロボティックシステムの開発に貢献すると期待されます。

評価ポイント Assessment

良い点

ビデオMLLMsをアクティブな評価者に変換
チェーン・オブ・サイン思考の生成を促進
初期と現在の状態画像間で明示的に結びつけられた時間的入力を利用

業界・社会への影響 Impact

PRIMO R1は、ロボティクス分野における長期的なタスク管理において重要な役割を果たす可能性があります。この手法は、リアルタイムでの進行状況の評価と改善に貢献し、より効率的で正確なロボット操作を可能にするでしょう。

深堀り Deep Dive

前提知識

ロボティックマニピュレーションでは、ロボットが複雑なタスクを長期間にわたって正確に実行するためのプロセス監視が課題である。従来のビデオ多言語大規模言語モデル（MLLMs）は、主に監督的微調整（SFT）パラダイムで訓練されており、現在の状態を最終的なタスク目標に照らして評価するのではなく、進行中のイベントを認識する「観察者」として機能していた。このため、プロセスの推論や進行状況の正確な評価が困難だった。

何が新しいのか

本研究では、PRIMO R1という7Bパラメータのモデルを導入し、従来の「観察者」から「評価者」へと役割を変換した。このモデルは強化学習を用いて、タスクの進捗を推定するための明示的なチェーン・オブ・サイン思考の生成を促進し、初期と現在の状態画像を基に構造化された時間的入力を構築している。これにより、専門的な基準モデルに対して平均絶対誤差を50%削減し、72BスケールのMLLMよりも精度が向上した。

今後見るべき論点

PRIMO R1の強化学習アプローチが、他のロボティックタスクにも適用可能かどうか
PRIMOデータセットやベンチマークが将来的にどのように拡張・利用されるか
PRIMO R1が実世界のロボットシステムに統合される際の技術的課題

用語解説

PRIMO R1 プロセス推論を誘導するためのロボティックマニピュレーション用モデル。7Bパラメータのビデオ多言語大規模言語モデル（MLLM）を強化学習で訓練したモデル

チェーン・オブ・サイン思考タスクの進行状況を推論するために、明示的に生成される思考プロセスの連鎖

強化学習報酬信号をもとにロボットが最適な行動を学習する機械学習の一種

MLLM ビデオと言語を処理できる多言語大規模言語モデル。ロボットの動作を監視・評価するのに利用される

RoboFail ロボットの失敗検出を評価するベンチマーク。PRIMO R1はこのベンチマークで高い精度を示した

参照元 Sources

元記事と、深堀りで参照した情報源です。コミュニティ投稿やプレプリントでは、ここから根拠を確認できます。

ロボット操作におけるプロセス推論: PRIMO R1によるアクティブな評価システム

arXiv cs.AI

https://arxiv.org/abs/2603.15600

この記事の見取り図

読む前に確認
記事の読み解き
深堀り
参照元
AI要約について

キーワード

PRIMO R1 ビデオMLLMs チェーン・オブ・サイン思考プロセス推論

AI要約について

本記事の要約・分類・読み解きにはAIを使用しています。内容確認に努めていますが、誤訳・解釈違い・元記事更新の反映漏れを含む可能性があります。重要な判断を行う場合は、必ず元記事もご確認ください。

記事データ

Source	プレプリント
Category	研究論文
Status	完成記事
出典	arXiv cs.AI
公開日	2026-07-08

元記事の説明文

arXiv:2603.15600v2 Announce Type: replace-cross Abstract: Accurate process supervision remains a critical challenge for long-horizon robotic manipulation. A primary bottleneck is that current video MLLMs, trained primarily under a Supervised Fine-Tuning (SFT) paradigm, function as passive "Observers" that recognize ongoing events rather than evaluating the current state relative to the final task goal. In this paper, we introduce PRIMO R1 (Process Reasoning Induced Monitoring), a 7B framework that transforms video MLLMs into active "Critics". We leverage outcome-based Reinforcement Learning to incentivize explicit Chain-of-Thought generation for progress estimation. Furthermore, our architecture constructs a structured temporal input by explicitly anchoring the video sequence between initial and current state images. Supported by the proposed PRIMO Dataset and Benchmark, extensive experiments across diverse in-domain environments and out-of-domain real-world humanoid scenarios demonstrate that PRIMO R1 achieves state-of-the-art performance. Quantitatively, our 7B model achieves a 50% reduction in the mean absolute error of specialized reasoning baselines, demonstrating significant relative accuracy improvements over 72B-scale general MLLMs. Furthermore, PRIMO R1 exhibits strong zero-shot generalization on difficult failure detection tasks. We establish state-of-the-art performance on RoboFail benchmark with 67.0% accuracy, surpassing closed-source models like OpenAI o1 by 6.0%.