BagelVLA：視覚-言語-行動のインタリーブ生成による長期的マニピュレーションの高度化

BagelVLA: Enhancing Long-Horizon Manipulation via Interleaved Vision-Language-Action Generation

February 10, 2026

著者: Yucheng Hu, Jianke Zhang, Yuanfei Luo, Yanjiang Guo, Xiaoyu Chen, Xinshu Sun, Kun Feng, Qingzhou Lu, Sheng Chen, Yangang Zhang, Wei Li, Jianyu Chen

cs.AI

要旨

エージェントにタスク推論、物理的結果の予測、精密な行動生成の能力を付与することは、汎用マニピュレーションにおいて不可欠である。近年のVision-Language-Action（VLA）モデルは事前学習済み基盤モデルを活用するが、通常は言語的計画立案または視覚的予測のいずれかに単独で焦点を当てている。これらの手法は両能力を同時に統合して行動生成を導くことが稀であり、複雑で長期的なマニピュレーション課題において最適とは言えない性能にとどまっている。この隔たりを埋めるため、我々はBagelVLAを提案する。これは言語的計画立案、視覚的予測、行動生成を単一フレームワーク内に統合した統一モデルである。事前学習済みの統一的理解・生成モデルから初期化されたBagelVLAは、テキスト推論と視覚予測を行動実行ループに直接組み込むように訓練される。これらのモダリティを効率的に結合するため、Residual Flow Guidance（RFG）を導入する。RFGは現在の観測から初期化し、単一段階のノイズ除去を活用して予測的視覚特徴を抽出し、最小遅延で行動生成を誘導する。大規模な実験により、BagelVLAが特に多段階の推論を要するタスクにおいて、複数のシミュレーション及び実世界ベンチマークで既存のベースラインを有意に上回ることを実証した。

English

Equipping embodied agents with the ability to reason about tasks, foresee physical outcomes, and generate precise actions is essential for general-purpose manipulation. While recent Vision-Language-Action (VLA) models have leveraged pre-trained foundation models, they typically focus on either linguistic planning or visual forecasting in isolation. These methods rarely integrate both capabilities simultaneously to guide action generation, leading to suboptimal performance in complex, long-horizon manipulation tasks. To bridge this gap, we propose BagelVLA, a unified model that integrates linguistic planning, visual forecasting, and action generation within a single framework. Initialized from a pretrained unified understanding and generative model, BagelVLA is trained to interleave textual reasoning and visual prediction directly into the action execution loop. To efficiently couple these modalities, we introduce Residual Flow Guidance (RFG), which initializes from current observation and leverages single-step denoising to extract predictive visual features, guiding action generation with minimal latency. Extensive experiments demonstrate that BagelVLA outperforms existing baselines by a significant margin on multiple simulated and real-world benchmarks, particularly in tasks requiring multi-stage reasoning.