はじめに：具身型AIにおけるVLA革命
VLA（視覚-言語-行動）モデルは、マルチモーダル理解と物理的相互作用の融合を体現している。本稿では、RT-2、OpenVLA、ACE-Ego、Qwen-Robot、RLDX-1、EgoEMGの6つの主要モデルを包括的に比較する。
RT-2（Google DeepMind）
55Bパラメータの先駆的モデル。既知タスク成功率62%、新規タスク48%。プロプライエタリ、8xA100 GPUが必要。
OpenVLA（Stanford/Berkeley）
7Bパラメータのオープンソースモデル。100万以上の軌跡で訓練。58.7%/43.2%。1x RTX 4090で動作可能。
ACE-Ego（CUHK - SOTA）
現時点で最高性能：既知タスク87.3%、新規71.6%。一人称視点のエゴセントリック学習が優位性を実証。
Qwen-Robot（Alibaba）
Qwen2.5-VL基盤の72Bモデル。産業組立79.4%。製造シナリオで卓越。
RLDX-1（RLWRLD）
8Bパラメータ、拡散ポリシーデコーダ採用。長期タスク76.8%。
EgoEMG（清華大学）
6Bパラメータ、エゴセントリック視覚とEMG信号を融合。巧緻操作84.2%。CCライセンスで公開。
総合分析
ACE-Egoが総合性能でリード。OpenVLAは最高のオープン性を提供。中国の研究機関（CUHK、Alibaba、清華）が6位中3位を占めている。
