何が起きたか
BAAIが公開した技術報告は、知能を「言語モデル」「動画生成」「ロボット制御」といった専用予測器の性能で定義するのではなく、「世界がどう変化するかを一般的に把握し、多様なタスクの土台になるモデル」で定義すべきだと主張します。その実装がOrcaです。
Orcaは画像と言語から世界の内部表現(internal world state)を作り、そこにテキスト・画像・ロボット動作へ変換する交換可能なアドオンを差し込む構造を取ります。基盤には事前学習済みのQwen3.5を凍結したまま使い、画像出力はStable Diffusion 3.5(無改変)＋小さなアダプタ、ロボット動作は新規学習した制御モジュール「Action Expert」が担います。
2種類の学習
学習は2モードです。字幕なしの生動画で「次の画像」を抽象空間で予測する『Unconscious learning』が動きや遮蔽、場面の力学を拾い、状態変化の説明文で区切った動画と動画QAを使う『Conscious learning』が言語との対応を与えます。データは一人称・三人称・動作ラベルなしのロボット記録・自然な場面の4視点、計12万5000時間・1億6000万件の状態変化記述・1150万件のQAに及びますが、現バージョンで使われたのはその1割だけです。
なぜ重要か
注目点は、事前学習で動作ラベルを見ていないのに、車輪付き双腕ヒューマノイドの5タスク(本の陳列、椀の積み重ね、砂糖のすくい取りなど)でロボットデータ専用のπ0.5に並んだことです。実制御は各タスク200件の実写記録で後から学習しました。同じ制御モジュールを付けたV-JEPA 2.1やQwen3.5は大きく劣後します。さらにOrcaは把持失敗後に再試行する誤り回復を見せ、失敗を繰り返して止まるπ0.5と差が出ました。テキストではOrca-4BがMVBench等の平均51.8%で小型VLM・世界モデル勢の最良、画像予測でも自作ベンチPRICE-V0.1で59.8%とFLUX.2 small(56.1%)を上回りました。
限界
音・力・触覚は学ばず、視覚予測も既存エンコーダの空間内で行うため、BAAIは「多様な信号をゼロから学ぶネイティブ世界モデル」を最終目標に据えます。世界モデルの定義自体も議論中で、北京大学はSoraのような純粋なtext-to-videoを除外する定義を提案、清華大学のベンチではSora 2やVeo 3.1でさえ物理的にもっともらしい場面進行に苦戦しています。
💼 事業会社視点：これは自社にどう効くか
注目すべきは「動作ラベルなしの日常動画から操作を学べる」という一点です。ロボティクスやAI受託開発の現場では、教師データ(ロボットの動作記録)の収集コストが導入の最大のボトルネックでした。Orcaが示したのは、YouTube的な普通の映像から世界の変化を学び、各タスク200件程度の実写記録を足すだけで専用システムに並べるという道筋です。物流・製造・小売の自動化を検討する事業会社は、「専用データを何万件も集めてから」という前提を疑い直す価値があります。SaaSやEC事業者にとっては、マルチモーダル基盤が「1つの内部表現＋交換可能な出力モジュール」で組める設計思想が示唆的で、テキスト・画像・操作を別々のモデルで抱える構成の見直し材料になります。ただしOrcaは研究段階で音・触覚を扱えず、H100前提の学習規模です。経営者は「今すぐ採用」ではなく、自社の自動化ロードマップで『動作データの少なさ』を言い訳にしてきた領域を再棚卸しし、世界モデル系の進展を四半期単位で監視する体制を作るのが現実的な打ち手です。