Unitree が公開したもの
中国の大手ヒューマノイドメーカー Unitree は、60億パラメーター のモデル UnifoLM-WLA-1.0 を公開しました。同社によると、ヒューマノイド G1 を 64種類のタスク で動かします。重みは Hugging Face で Apache 2.0(商用利用可)、チェックポイントは約 12.5GB、ファインチューニング用コードは GitHub にあります。
プロジェクトの README によると、公開は段階的でした:
- 9月11日: 身体性推論モデル UnifoLM-ER-1 と ER-Flow の重み
- 9月20日: モデルのモジュールと「アクションエキスパート」の学習コード
- 9月28日: UnifoLM-WLA-1.0-Base と、フル/LoRA ファインチューニングのコード
10月10日 の Robotica Guide の分析記事で注目を集めました。
仕組み
- 手と全身を1つのモデルで: 64タスクのうち 54が卓上操作、10が全身動作。2本指グリッパーと複数の5本指ハンドに対応
- 視覚・言語・行動(VLA) 構成:視覚言語モデルがカメラと指示を読み、拡散ベースの「アクションエキスパート」(MMDiT)が関節の動きを出力
- 光学フローで シーンのどこが変わるかを予測 するよう学習し、自分の行動の結果を理解
- 約 2,500時間の実機データ と500万件超の推論サンプルで学習。比較として、Physical Intelligence の pi0 は1万時間以上を使用
何が動かせるか
学習ガイドは具体的です。標準のファインチューニングは視覚言語部分を固定してアクション部分だけを学習し、24GB の GPU 1枚 を想定しています。実機に近づける前に、予測した動作と記録された動作を比較するスクリプトもあります。
ただし、ドキュメント自身が認める欠落があります。公開されたモデルサーバーは 2本指グリッパーの形式にしか対応していません。全身制御にはプロトコルの拡張が必要です。
足りないもの:数字
Unitree は タスクごとの成功率、失敗回数、他のオープンモデルとの比較を 公表していません。動画は同社が自律動作と表示しています(卓上の映像は2倍速)。推論モデル ER-1 のベンチマークはありますが、測っているのはシーン理解で、ロボットがタスクを完了できる頻度ではありません。学習データのうちどれだけが公開されているかも不明です。
なぜ重要か
数千台のヒューマノイドを出荷してきた企業が重みを公開したことで、問いは「Unitree が何と言うか」から「誰が再現できるか」に変わります。G1 は米国で約 1万3500ドル で、研究室やスタートアップでも独自検証が可能です。
ロボティクスを検討する企業へ
- デモ動画で判断しない。 自社の用途での成功率を求める
- 公開された手順が整っている 卓上操作から始める
- ガイドの勧めどおり、実機の前に シミュレーションと再生で検証
- 商用利用の前に README にある 第三者ライセンスを確認
出典
- GitHub, unitreerobotics/unifolm-wla: https://github.com/unitreerobotics/unifolm-wla
- Robotica Guide (2026-10-10): https://roboticaguide.com/unitree-unifolm-wla-1-0-open-source-humanoid-model/
ロボットやフィジカル AI モデルを評価したいですか?KGA IT は無料相談を受け付けています:kga-it.com