[논문리뷰] VLA-0: Building State-of-the-Art VLAs with Zero Modification

2025년 10월 17일수정: 2025년 10월 17일

링크: 논문 PDF로 바로 열기

저자: Ankit Goyal, Hugo Hadfield, Xuning Yang, Valts Blukis, Fabio Ramos

핵심 연구 목표

본 논문은 Vision-Language Model (VLM)의 아키텍처나 어휘를 변경하지 않고 순수한 텍스트 생성 능력만을 활용하여 로봇 행동을 예측하는 단순한 VLA(Vision-Language-Action) 모델이 최첨단 성능을 달성할 수 있는지 탐구하는 것을 목표로 합니다. 이는 기존의 복잡한 VLA 구축 방식에 대한 대안을 제시하고자 합니다.

핵심 방법론

제안된 VLA-0 모델은 기존 VLM인 Qwen-VL-2.5-3B를 활용하여 로봇 행동을 공백으로 구분된 정수 문자열로 직접 생성하도록 파인튜닝합니다. 연속적인 로봇 행동 값을 [0, 1000]과 같은 고정된 정수 범위로 정규화하며, 학습 시 **마스킹된 행동 증강(Masked Action Augmentation)**을 적용하여 시각 및 지시 기반 추론을 강화합니다. 추론 단계에서는 **앙상블 예측(Ensemble Prediction)**을 사용하여 더욱 안정적인 행동을 도출합니다.

주요 결과

VLA-0는 LIBERO 벤치마크에서 동일한 로봇 데이터로 훈련된 모든 기존 VLA 모델을 평균 1.4점 차이로 능가하며 최첨단 성능을 달성했습니다. 더 나아가, 대규모 로봇 행동 데이터로 사전 훈련된 π-0, GROOT-N1, MolmoAct 등 여러 인기 모델들보다 우수한 성능을 보였습니다. 실제 로봇 실험에서도 SmolVLA보다 평균 12.5점 더 높은 성공률을 기록했습니다.

AI 실무자를 위한 시사점

이 연구는 복잡한 아키텍처 변경 없이도 강력한 VLM의 텍스트 생성 능력을 활용하여 로봇 행동 예측에서 최고 수준의 성능을 달성할 수 있음을 보여줍니다. AI 엔지니어는 특수 헤드 개발이나 어휘 변경 없이 기존 VLM을 행동 예측에 활용할 수 있으며, 특히 마스킹된 행동 증강과 앙상블 예측과 같은 단순한 트레이닝 및 추론 기법이 핵심적인 성능 향상 요소임을 알 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.