GEV-26B-Decideが、視覚入力の判断を高速化した。
この記事のポイント
- B200で1パスの判断が速いモデル
- Jev-27B-Vlと同等精度で3倍高速
- テキストと画像を1つの重みで処理
どこで使えるか
画面遷移やロボット制御の判断を高速化したい人向け。VLMの推論を1パスに最適化 Hugging Faceで公開済み B200単体で推論。テキスト/画像対応
スポンサーリンク
解説
かみくだいて説明します
autotrust が 10 月 2 日に公開した GEV-26B-Decide は、画像を見てすぐに次の行動を決める AI です。一つの B200 というチップで動かし、画面のスクリーンショットやカメラの映像を入れると、およそ 45 ミリ秒から 85 ミリ秒でクリックや部品を掴む位置を出力します。
画面を見てすぐ動くんですか。開発する側から見ると、この速さは実務でそのまま使えますか。
実務でそのまま回せます。一つ目の速い判断を System 1 と呼びますが、これは電車の改札を通るようなものです。券を買って入場するだけで、迷わず進めます。画像を見て即座に行動を選ぶのがこれで、迷ったときだけ二つ目の System 2 に切り替わります。
迷わない時は改札を通るみたいに速いんですね。ブラウザを操作するテストの結果が楽しみです。
60 個のランダムなタスクのうち 95% を成功させます。ショッピングや設定、メールの操作で、1 回あたりおよそ 85 ミリ秒でクリックを繰り返しました。同じ成功率の JEV-27B-VL と比べて 3 倍速いです。
では、ロボットアームを動かす実験では、どのくらい課題をこなせましたか。
20 個のランダムなシーンで 40% を完了しました。1 回の判断に 61 ミリ秒かかり、全体で 4 秒から 8 秒です。部品に近づくと左右の判断がやや甘くなるので掴み損ねが増えますが、一度掴めば 9 個中 8 個をトレイに収めます。
掴んだ後はかなり正確なんですね。テキストの質問に答える機能では、迷った時の処理が System 2 に任されるのが気になります。
迷いがないときは System 1 でおよそ 45 ミリ秒で答えを出します。迷いがあるときは、同じモデルを Gemma-4 の思考モードに切り替えて論理的に考えさせ、その結果を最終的な確率にまとめます。テキストも画像も同じ重みで一つのエンジンで動きます。
一つのエンジンで両方対応するんですか。テキストも画像も同じ重みで動くのは、管理する側からするとかなり楽ですね。
JEV-9B の vl/demos ディレクトリにデモコードがあります。サーバーの JEV_URL という項目にこのモデルのアドレスを指定すれば動きます。各エピソードの結果は reports/demos に、スコアの詳細は reports/decision_index_adaptive.json と reports/adaptive_latency_summary.json にあります。
最後に、このモデルの弱点や今後の見通しはありますか。
部品に近づいた時の左右の精度がまだ課題です。System 2 が切り替わる基準や、より複雑な作業への対応については、そこはまだ分かっていません。
出典
この記事のもとになった情報
- Hugging Face:autotrust/GEV-26B-Decide
- 公開日:2026-10-02
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。