本稿はTaozhao Chen、Ian Manchester、Huaming Chenの三名による立場論文で、2026年6月28日にarXivへ投稿され、ロボティクス（cs.RO）および人工知能（cs.AI）に分類されている。論文の主張は、ロボティクスにおける視覚言語モデルの役割を否定することではなく、Vision-Language-Action（VLA）システムの能力に関する一般的な解釈に疑義を呈することにある。すなわち、インターネット規模のデータから学習した意味表現が物理的な実行へ転移し、物理的行動決定の汎化を支えるという前提である。著者らは、この前提が独立に検証されておらず、現在の評価プロトコルの下では検証すること自体ができないと論じる。
議論の出発点として、著者らはVLAポリシーを二つの機能に分解する。一つは意味的マッピングであり、視覚と言語の入力をタスクの意味へ対応付ける働きである。もう一つは物理的行動決定であり、実際のダイナミクス制約の下で行動を選択し実行する働きである。論文は、現在支配的な評価指標であるタスク成功率が、この二つの能力の源泉を区別できないことを示す。ベンチマーク上の成功率の向上は、より正確な意味的マッチングに由来する場合もあれば、テスト分布と学習分布の重なりに由来する場合もあり、さらに真の物理的汎化に由来する場合もある。同一の結果に対して複数の競合する説明が成り立つ以上、性能向上をそのまま物理的推論や物理的汎化の進展と同一視することは論理的に成立しない。
著者らはさらに「ナラティブ・ドリフト」という概念を導入し、この問題が累積する仕組みを説明する。評価が根底の因果メカニズムを切り分けられないため、後続のシステムは先行研究における性能向上の解釈を継承し、強化していく。その結果、意味的側面での進歩が、しだいに物理的能力の進歩として語られるようになる。こうした語りは論文コミュニティや製品広告の中で自己強化され、識別可能性の欠落は埋められるどころか、積み重なる解釈によって覆い隠されていく。著者らは、これを研究者の意図的な誇張の問題ではなく、評価設計そのものが因果的帰属を支える証拠を提供できていないことの帰結だと位置づけている。
この限界に対して、論文は評価設計を中心とした研究方向を提示する。意味的汎化と物理的汎化を別々に測定するため、入力や環境、タスク分布に制御された変動を導入する実験設計である。こうした設計の要点は、モデル内部へのアクセスを必要とせずに、性能を特定の能力の源泉へ因果的に帰属できるようにすることにある。著者らはさらに、この手法によってVLMバックボーンが「意味的インターフェース」として機能しているのか、それとも物理的能力の暗黙の源泉と見なされているのかを実証的に検討できると述べる。
論文の結論は明確に範囲を限定している。目的はロボティクスにおけるVLMの役割を反駁することではなく、物理的汎化という主張が有意義に評価され得る条件を明らかにすることである。ベンチマークの成功率に依拠して具身知能の進展を主張する研究者や産業界にとって、本稿は方法論上の基本的要請を突きつけている。すなわち、意味的能力を物理的能力の証拠として扱う前に、評価プロトコル自体が両者を区別する能力を備えていなければならないということである。