「GigaBrain-0.7」とは何か──37,000時間の異種ロボットデータで鍛えた「三系統」基盤モデル

ロボットに汎用的な作業をさせるための「Vision-Language-Action（VLA）モデル」は、構造化された環境の中で複雑・長時間のタスクをこなす有力なやり方として広まっている。2026年8月16日にarXivで公開された論文「GigaBrain-0.7」は、このVLAモデルが、より効果的なアーキテクチャ設計・より大規模で異種混合なデータ・より幅広いタスクとロボット機体への汎化から恩恵を受けられるか、という問いに取り組んでいる。「GigaBrain Team」の所属先は、開発元の公式サイト（gigaai.cc）から「極佳科技（GigaAI）」という中国企業だと確認できる。

3行まとめ

• GigaBrain-0.7は、理解・予測・行動を統合した三系統アーキテクチャを持つ具現化基盤モデルで、開発元は中国企業「極佳科技（GigaAI）」
• 論文本文の表に主要な数字が載っている。RoboTwin 2.0でEasy 66.8・Hard 67.9・Overall 67.35、EBenchで成功率33.30%・スコア46.1、RoboColiseumの4軸で.8166/.4729/.6800/.6092。第三者運営のRoboTwin 2.0公式リーダーボードでも同じ 66.8／67.9 が確認できる
• 「Hard（難条件）」の平均スコアが「Easy（易条件）」より高いという珍しい結果は、論文の表と独立リーダーボードの双方に出ている。ただし2026年9月1日に追加された「OLA-Sem」がHard 67.56まで迫っており、首位との差は0.34ポイントしかない

理解・予測・行動を1つにまとめる「三系統アーキテクチャ」

GigaBrain-0.7は、視覚言語の理解（understanding）・未来の予測（prediction）・実際の行動（action）という3つの機能を、単一の三系統アーキテクチャに統合している。論文によれば、事前学習には3万7000時間を超える異種混合の具現化データを使い、視覚言語理解とマルチ機体（multi-embodiment）の行動生成を同時に最適化する「ワンステージ・アライメント学習」を導入したという。

前身にあたる「GigaBrain-0」シリーズや、既存の最先端モデル（$\pi_{0.5}$、パイ・ゼロ・ファイブと読む系統のモデル）と比較して、ゼロショットの基礎能力・言語条件付きの指示追従・事後学習後のタスク成功率のいずれでも大幅な改善を達成したと報告されている。特に自社の「Maker H01」プラットフォームおよび主流のロボット機体において、家庭・産業双方のシナリオで高いタスク適応力と達成能力を示したとしている。論文は学習コードと事前学習済みモデルの重みをすべて公開するとしており、公式リポジトリ（open-gigaai/giga-brain-0）のREADMEによれば、実際に2026年8月25日付で「GigaBrain-0.7 のコード・モデル・サンプルデータを公開した」と告知されている。さらに2026年9月2日付で、VLMの評価コードと RoboColiseum・RoboTwin 2.0・EBench の学習/評価ワークフローも公開されている。

実験結果は論文本文の表に載っている。arXivのHTML版（arxiv.org/html/2608.15875）では、RoboTwin 2.0・EBench・RoboColiseumの3つの評価表がテキストとして読める。加えて論文の付録には、結果の裏付けに使った第三者運営の外部リーダーボード3つのURLと確認日（いずれも2026年8月15日）が明記されており、このうちRoboTwin 2.0については公式リーダーボードのJSONを直接取得して、論文の表と同じ数字が載っていることを確認した。

RoboTwin 2.0（成功率%、Co-train設定・50デモ×50タスク）

EBench

RoboColiseum（4つの能力軸）

（出典：arXiv HTML版の本文表。数値は論文が掲載しているもので、当サイトが再計算したものではない）

RoboTwin 2.0でHard条件のスコアがEasy条件より高いという結果は直感に反するが、これは外部リーダーボードだけの話ではなく、論文自身の表に載っている数字である（66.8 対 67.9）。両条件の差はごくわずか（1.1ポイント）であり、測定のばらつきの範囲内である可能性もある。

リーダーボード全体で見ると、Easyでは9位、Hardでは首位（ただし差は0.34ポイント）

RoboTwin 2.0公式リーダーボードは、モデル一覧を含む生データ（JSON）をcurlで直接取得できる。論文が載せている6モデルより多くのエントリーが並んでいるので、そちらも見ておく。co-train設定の全15件をHardスコア順に並べ替えると、次のようになる（当サイトが2026年9月4日に取得したスナップショット。リーダーボードの更新履歴の最新は2026-09-01「Add OLA-Geo and OLA-Sem co-train results.」）。

（出典：RoboTwin 2.0公式リーダーボードのJSONをcurlで取得。co-train全15件のうちHard平均上位10件。残り5件はEventVLA 65.6/15.7、GalaxeaVLA 62.7/12.72、AHA-WAM 64.3/3.2、starVLA 46.52/3.16、FastWAM 77.8/1.9）

Easy条件だけを見ると、GigaBrain-0.7（66.8）はOLA-Geo（82.96）・4D-WAM（81.5）・FastWAM（77.8）・Spatial Forcing（77.2）・OLA-Sem（75.12）・π0.5（70.7）・X-WAM（70.0）・X-VLA（68.0）の8モデルに次ぐ9位にとどまる。ところがHard条件（ドメインランダム化、照明や配置を変えた難条件）に切り替えると首位に立つ。

ただしこの首位は、論文が出た時点ほど余裕のあるものではなくなっている。論文の表（$\pi_{0.5}$の46.0が2位）の時点なら差は21.9ポイントあったが、2026年9月1日に香港科技大学（広州）系の「OLA-Sem」がHard 67.56で加わり、首位との差は0.34ポイントまで縮まった。しかもOLA-SemはEasyでも75.12とGigaBrain-0.7（66.8）を上回っている。GigaBrain-0.7の「Hardで首位」という位置づけは、2026年9月上旬の時点では僅差の首位と読むべきものになった。

一方で、他の多くのモデルがHard条件でスコアを急落させる傾向（FastWAMはEasy 77.8に対しHard 1.9、AHA-WAMはEasy 64.3に対しHard 3.2、starVLAはEasy 46.52に対しHard 3.16）は変わっていない。EasyとHardの差が1.1ポイントしかないGigaBrain-0.7の安定性は、OLA-Sem（差7.56ポイント）と比べても小さい。「異種混合データでの事前学習」を掲げる論文の主張と、条件変化に対するロバスト性という実測データは、方向性としては整合している。

VLAモデルとは何か、なぜ「三系統」なのか

Vision-Language-Action（VLA）モデルとは、カメラ映像（Vision）・言語指示（Language）・実際の関節やグリッパーの動き（Action）を1つのモデルで扱う仕組みの総称だ。「テーブルの上のコップを取って」という指示を、目の前の映像と結びつけて理解し、実際の腕の動きに変換するところまでを一気通貫でこなす。GigaBrain-0.7が掲げる「三系統アーキテクチャ」は、この理解・予測・行動という3つの機能をそれぞれ独立したモジュールとして持たせつつ、事前学習と事後学習を通じて連携させる設計だと読める。論文が比較対象に挙げている「$\pi_{0.5}$」は、Physical Intelligence社が開発したVLAモデル系統として業界で知られている。異なる開発元のモデルを比較対象に挙げていること自体が、VLAモデルの分野で「どのアーキテクチャが優れているか」の競争が活発化していることの表れだと言える。

確認できなかったこと

論文本文の表と、RoboTwin 2.0の独立リーダーボードのJSONは確認できた。一方、EBenchとRoboColiseumについては、論文が載せている数字（上の表）は読めるが、第三者側での裏取りができていない。論文付録（A.2・A.3節）が示すURL（EBench: internrobotics.shlab.org.cn/eval/、RoboColiseum: robocoliseum.ai/）をcurlで開くと、どちらもJavaScript必須のシングルページアプリ（SPA）で、レンダリング前の空のHTMLシェルしか返らない。RoboTwin 2.0だけがJSON形式の生データをそのまま返す作りだったため、論文の数字と突き合わせられたのはこの1つだけになる。

開発元の公式サイト（gigaai.cc）についても、ブログ記事ページ（gigaai.cc/blog/gigabrain07）は同様にJS必須のSPAで、curlで得られるのはページタイトルとキーワード（「极佳、极佳视界、极佳科技、世界模型、GigaBrain、GigaWorld、DriveDreamer」）のみだった。この記載から、開発元がGigaBrain以外に「GigaWorld」「DriveDreamer」という別の世界モデル系プロダクトも展開していることは確認できたが、それ以上の告知本文は読めていない。

arXivのアブストラクトページ（arxiv.org/abs/2608.15875）を確認すると、投稿者はXiaofeng Wang氏、初版[v1]の提出は2026年8月16日17:54:15 UTC、改訂版は確認時点で存在しない。著者は「GigaBrain Team」名義に加えて58名の共著者、つまり合計59名規模の共著体制であることも分かった。分野はcs.RO（ロボティクス）が主分野として登録されている。

実機ロボット「Maker H01」がどのような機体なのか（自社製ハードウェアだと本文からは読み取れるが、スペックの詳細）については、手元では特定できていない。実機での動作映像も確認していない。

関連記事

• AIロボット 最新動向──Figure/Tesla Optimus/Boston Dynamics【2026年】
• ワールドモデル（世界モデル）とは──「次の単語」ではなく「世界の次の状態」を予測するAI
• マルチモーダルAIとは？画像・テキスト・音声の統合解説【2026年】