논문 브리핑
5520억 파라미터 ScaleVLA, 로봇 시범 10개로 50개 학습 모델 앞섰다

로봇에게 동작을 더 많이 보여주는 대신, 이미 세상을 폭넓게 학습한 AI를 붙이면 어떨까.
칭화대·베이징대·상하이교통대·Galbot 연구진이 11월 16일 공개한 ScaleVLA는 이 질문을 5520억 파라미터 규모로 시험했다.
핵심은 로봇 학습의 비용 계산에 사람의 시범 데이터와 대형 모델의 연산 자원을 함께 넣어야 한다는 것이다.
ScaleVLA는 이미지와 지시를 처리하는 DeepSeek-V4.1-Flash에 실제 움직임을 만드는 행동 생성 모듈을 연결한 시각·언어·행동 모델(VLA)이다.
기반 모델의 가중치는 고정하고 행동 생성부 등을 학습하며, 매번 문장으로 추론하지 않고 내부 특징을 동작으로 바꾼다.
행동 생성부는 잡음에서 출발해 네 단계에 걸쳐 여러 동작을 묶어 만들고, 그동안 같은 시각·언어 특징을 재사용한다.
이는 엔비디아 GR00T 계열의 행동 생성 구조를 잇는 접근으로, 연구계가 탐색해 온 '사전학습 지식을 로봇 제어에 재활용한다'는 방향을 크게 확장했다. 논문 원문
연구진은 행동 생성 구조와 학습 예산 등을 맞추고 20억~5520억 파라미터 기반 모델을 비교했으며, 핵심 결과는 세 가지다.
- 데이터 효율: LIBERO-Goal에서 과제당 시범 10개로 성공률 87.8%를 기록해, 50개를 학습한 20억 모델의 85.6%를 넘었다.
- 환경 적응: 물체나 환경을 바꾸는 LIBERO-PRO에서는 평균 45.1%로, 작은 모델 중 최고치인 31.3%를 앞섰다.
- 정밀 조작: 실제 충전기 삽입의 기준 배치 실험에서 10회 중 9회 성공해, 20억 모델의 4회를 웃돌았다. 실험 결과
인사이트
ScaleVLA는 대형 모델의 연산비를 더 지불해 로봇 시범 데이터와 작업 시간을 절약할 가능성을 보여준다. 상용화의 판단 기준은 모델 크기나 추론 속도보다 성공한 작업 한 건의 총비용이 되어야 한다.
자주 묻는 질문
- 시범 10번만 보여주면 무슨 일이든 할 수 있어?
- 아니다. 시범 10개로 성공률 87.8%를 기록한 결과는 LIBERO-Goal에서 과제별로 평가한 수치이며, 임의의 새 작업까지 보장하지 않는다. [논문 실험](https://arxiv.org/html/2611.21607v1#S4)
- 5520억 파라미터를 매번 전부 계산하는 거야?
- 아니다. 기반 모델은 일부 전문가만 활성화하는 MoE 구조이며, ScaleVLA는 텍스트 생성용 디코더를 실행하지 않고 중간 특징을 활용한다. 5520억은 원래 기반 모델의 전체 파라미터 수다. [모델 구조](https://arxiv.org/html/2611.21607v1#S3)
- 충전기 삽입 성공률 90%면 바로 현장에 써도 돼?
- 그 수치는 학습 때와 가까운 기준 배치에서 10회 중 9회 성공한 결과다. 충전기나 멀티탭의 위치 등을 바꾼 조건에서는 15회 중 8회 성공했으므로, 다양한 현장에서의 안정성은 추가 검증이 필요하다. [실제 로봇 평가](https://arxiv.org/html/2611.21607v1#S4.S5)
이 기사 어땠어요?
피드백을 남겨주시면 더 나은 맞춤 추천을 만듭니다.