ロボットの視覚言語行動モデル（VLA）の分野で、新しいアプローチが注目を集めています。arXivで発表されたPelican-VLA 0.5は、視覚言語理解、フレーム生成、行動予測を単一のアーキテクチャに統合した統合型VLAモデルです。このモデルの最大の特徴は、物体アノテーションやセグメンテーションマスク、注意監督、タスク固有のファインチューニングを一切必要としないまま、自動的に指示に関連したオブジェクトと接触領域に焦点を当てることです。 このような「注意レベルの汎化」能力は、これまで見たことのないシーンや異なるロボットの形態に対しても一貫して機能し、他のオープンソースVLAベースラインと比べて大幅に高い性能を発揮します。研究チームの分析によると、このすぐれた能力は知覚と行動の間に挿入された「学習可能な推論スロット（Reasoning Slots）」から生じていることが明らかになりました。 推論スロットの仕組みは、タスク関連の視覚情報をコンパクトなボトルネックを通してルーティングすることで、事前学習中に操作中心の注意を誘導します。この設計により、MoT型アーキテクチャを含むさまざまなポリシー構造にわたって有効性が維持されます。つまり、一度学習した注意機構が、異なるロボットや未知の環境でも転移可能な形で機能するということです。この成果は、ロボット学習の汎化性能向上に向けた重要なステップとなる可能性があります。