米Anthropic、ロボットは米国の肉体労働の74%をこなせるがコスト競争力があるのは0.3%と分析

ロボットAIモデルは先の動作をひとまとまりで予測するが、そのうち何ステップを実行してから周囲を見直すかは、これまで技術者が固定値で決めることが多かった。清華大学や北京智源人工知能研究院（BAAI）などによる今回のプレプリントは、この値を動作中に自動で選ぶ追加モジュールを示し、Physical IntelligenceとNVIDIAの既存モデルを再学習せずに、シミュレーションと実機の双腕ロボットで成功率を高めた。

ChunkTrustは2つの部分から成る。学習不要のアクション認識ホライズン選択器（AHS）は、動作中に候補となる長さごとに2つの信号を測る。1つ目はチャンク内のスペクトル安定性で、フローや拡散型の行動ヘッドがノイズを除去していく各段階で、予測速度の高周波成分がどれだけ揺れるかを見る。2つ目はチャンク間の連続性で、実行済みの動作と新しい区間の継ぎ目で速度が滑らかに保たれるかを測る。2つの得点を同じ重みで合成し、ホライズン長ごとの信頼度をベータ分布で保持して掛け合わせる。信頼度は再計画のたびに更新され、0.99の忘却係数で前の段階の根拠が徐々に薄れ、近い長さ同士でフィードバックを共有する。任意で使うクエリ型ホライズンアダプター（QHA）は、凍結した基盤方策の視覚言語文脈と行動潜在表現を読み取り、AHSが好むホライズンを1回の推論で予測するよう学習した小型モジュールで、運用時にはその事前分布をオンラインの根拠と組み合わせる。基盤方策そのものには一切手を加えない。