テキストを付け足しただけでロボットの成功率が92%から3%に落ちる──『Prompt-Form Collapse』という盲点

ロボットアームを制御する視覚・言語・行動(VLA)モデルに、検索してきたテキストを実行時のプロンプトへ追加する——再学習なしにモデルの振る舞いを補強できる、一見便利な手法だ。だが、この「追記」自体が制御への介入になってしまうことを実証した論文が、2026年8月24日にarXivで公開された。

追記の中身ではなく「形」が壊す

検索拡張は、あらかじめ用意した知識ベースから関連情報を取ってきてモデルの入力に加えることで、再学習せずに振る舞いを補強できる手法として、テキスト生成の世界では広く使われてきた。VLAモデルにこの発想をそのまま持ち込んだ場合に何が起きるかを、論文はまず突き止めた実験結果として示す。

"raw appended text reduces mean success from 92.47% to 3.00%, while meaningful and length-matched meaningless appends both fail on all 500 states. This result identifies \emph{prompt-form collapse}."

素のまま追記したテキストは、平均成功率を92.47%から3.00%へと激減させる。しかも、意味のある追記も、長さを揃えた意味のない追記も、500の状態すべてで同様に失敗する。この結果は「prompt-form collapse(プロンプト形式の崩壊)」という現象を特定するものだ。追記した文章の中身が有用かどうかではなく、指示の「形」が変わること自体が実行を支配してしまう、という発見だ。

対策TOWN-VLA:「変えていい」権限を明示的に管理する

対策として提案されたのが「TOWN-VLA(Think Only When Needed)」だ。候補となる生成物と、それがポリシーの入力を実際に変更してよいかどうかの許可を、明確に分離するプロンプト権限インターフェースになっている。固定された適合ルールが認可した場合だけ、標準的でコンパクトな指示が承認される。それ以外の場合は、インターフェースは元のベースプロンプトを完全な形で復元する。900件の監査済みルートすべてがこの契約に従い、525ルートはハッシュが一致した状態でベースに戻り、375件の承認されたプロンプトはすべてタスクの本質(シグネチャ)を保持したという。

数字:シミュレーションで73.1%、実機で78.7%

シミュレーション環境LIBERO-Plusでの評価はこうだ。

"On a matched $4\times7$ LIBERO-Plus evaluation with 10,030 episodes per method, success rises from 69.5% to 73.1% ($+362$ episodes; 95% CI 1.89--5.45 points), improving on six perturbation axes and all four suites."

手法ごとに10,030エピソードを揃えたLIBERO-Plus評価では、成功率が69.5%から73.1%に上昇し(+362エピソード、95%信頼区間1.89〜5.45ポイント)、6つの摂動軸・4つのスイートすべてで改善が見られた。

さらに実機でも検証されている。

"On a physical PiPER arm with a frozen \pizerofive{} checkpoint, success rises from 52.7% to 78.7% over 150 trials per method ($p=3.16\times10^{-6}$). Prompt authority is enforceable for a frozen controller; oracle-free admission calibration is the next deployment target."

物理的なPiPERアームに、凍結された(再学習していない)チェックポイントを組み合わせた実機実験では、手法ごとに150試行を行い、成功率が52.7%から78.7%へと上昇した(p=3.16×10⁻⁶)。プロンプトの権限管理は、凍結済みのコントローラーに対しても強制可能であり、オラクル(正解データ)を使わない承認のキャリブレーションが次のデプロイ目標だとしている。

外部情報をプロンプトに追記する設計の共通リスク

この論文はロボット制御という特殊な領域を扱っているが、示唆する原理は汎用的だ。「実行時に外部から取得した情報をプロンプトに追記する」という設計(検索拡張はもちろん、システムプロンプトへの動的な情報注入全般)は、追記する情報の質を吟味していても、追記という行為自体がモデルの振る舞いを予期せず変えてしまうリスクを持つ。何を追記してよいかを事前に定めたルールで管理し、ルールに合致しない場合は元の指示をそのまま使う、というTOWN-VLAの発想は、ロボット以外のエージェント設計にも応用できる考え方だ。

PiPERという実機アームは初めて聞いた名前

本記事は、当サイトが論文の要旨を読んで書いている。実機実験に使われた「PiPERアーム」というロボットの詳細な仕様、要旨中でLaTeXマクロ名「\pizerofive{}」として記載されているチェックポイントが具体的にどのモデルを指すか(表記から π0.5 系のVLAモデルである可能性はあるが、確定的な裏取りはできていない)は、本文PDFを読み込んでいないため確認できていない。500の状態・6つの摂動軸・4つのスイートの具体的な内容についても要旨の記載以上には踏み込んでいない。Zenn記事検索(2026年8月27日実施)では「Prompt-Form Collapse」に該当する日本語記事は見つからなかった。