リアルワールド（RLWRLD）、日本初の独自ロボティクス基盤モデル「RLDX-1（リアルデックス）」を正式公開

Q: What are the key facts in this article?

リアルワールド株式会社は2026年5月7日、日本初の独自ロボティクス基盤モデル「RLDX-1」を公開しました。本モデルは「Dexterity-First」設計を採用し、視覚・言語に加え力や触覚、作業記憶までを統合処理。グローバルベンチマークでNVIDIAのGR00Tなどを上回り、実機環境でも高い優位性を実証しています。

Q: What is the direct answer?

リアルワールド株式会社は2026年5月7日、日本初の独自ロボティクス基盤モデル「RLDX-1」を公開しました。本モデルは「Dexterity-First」設計を採用し、視覚・言語に加え力や触覚、作業記憶までを統合処理。グローバルベンチマークでNVIDIAのGR00Tなどを上回り、実機環境でも高い優位性を実証しています。

Q: What is the source and date?

Source: https://prtimes.jp/main/html/rd/p/000000001.000183256.html | Date: Date unavailable

世界最先端のフィジカルAI基盤モデル開発を実現するリアルワールド株式会社（RLWRLD、日本法人：東京都千代田区 代表：リュ・ジュンヒ）は2026年5月7日、独自のロボティクス基盤モデル（Robotics Foundation Model、以下 RFM）「RLDX-1(リアルデックス)」を正式に公開しました。本モデルは、視覚・言語に加え、力や触覚、作業記憶までを単一モデルで処理する「Dexterity-First」設計を採用。従来の視覚・言語中心のVLA（Vision-Language-Action）モデルとは異なる技術により、高い性能を実現しています。 ■器用さを起点とした新たな設計思想「Dexterity-First」 業界では一般に、「知能が先に実現すれば、器用さは自然と備わる」と考えられてきました。しかし、リアルワールド（RLWRLD）はこれとは異なる考え方を提示しています。RLDX-1が提示するのは、「器用さは知能の結果として後から付随するものではなく、知能が物理世界で行動する際に不可欠なプロセスそのものである」という考え方です。力（トルク）や触覚、接触タイミングといった、視覚だけでは捉えられない信号を扱うことができてこそ、産業現場における精密な作業の自動化が実現できるという問題意識に基づいています。 この考えを実証するため、リアルワールド（RLWRLD）は産業現場で繰り返し発生する手作業の課題に着目し、自社ベンチマーク「DexBench」を通じて体系的に定義しました。具体的には、①把持の多様性（Grasp Diversity）、②空間精度（Spatial Precision）、③時間精度（Temporal Precision）、④接触精度（Contact Precision）、⑤文脈認識（Context Awareness）の5つの観点から、手の操作能力を定量的に評価する仕組みを構築しています。 ■ グローバルベンチマークで高い性能を確認し、実機環境でも優位性を実証 RLDX-1は、グローバル公開ベンチマーク8種において、NVIDIA社のGR00TやPhysical Intelligence社のπO（パイゼロ）など、既存の最高性能（State-of-the-Art、SOTA）モデルを上回る結果を記録しました。長期かつ接触中心のタスクとして設計された「RoboCasa Kitchen」では70.6点を記録し、70点台に到達したVLAモデルとして高い水準を示しています。ヒューマノイド専用評価「GR-1 Tabletop」では58.7点を獲得し、次点モデルに対して10.7ポイントの差をつけました。さらに、カメラ・照明・言語・背景など7つの変数に対するロバスト性を評価する「LIBERO-Plus」でも86.7％を記録し、比較対象モデルを上回る結果となりました。 また、実機ロボット環境においては、さらに顕著な差が確認されています。リアルワールド（RLWRLD）が開発に参画したWiRobotics社のヒューマノイド「ALLEX」を用いた評価では、動的な重量変化を伴う「コーヒー注ぎ（Pot-to-Cup Pouring）」課題において70.8％の成功率を記録しました。比較対象モデルが30％台後半にとどまったことを踏まえると、約2倍の成果となっています。 ■ “見て、感じて、記憶し、適応する” コアアーキテクチャ「MSAT」 構造を採用 リアルワールド（RLWRLD）の技術的中核は、マルチストリーム・アクション・トランスフォーマー（Multi-Stream Action Transformer、MSAT）です。従来のVLA（Vision-Language-Action）モデルが、視覚・言語・行動・触覚・メモリといった異なる信号を単一ストリームで処理していたのに対し、MSATは各モダリティごとに独立したストリームを設け、モダリティ間のジョイントアテンション（joint attention）によって統合する構造を採用しています。さらに、力（トルク）や触覚といった視覚では捉えられない物理信号や長期記憶についても、専用モジュール（Physics Module、Memory Module）で処理することで、単一モデルが「見て（see）・感じて（feel）・記憶し（remember）・適応する（adapt）」一連のプロセスを実現しています。 リアルワールド（RLWRLD）CTOのペ・ジェギョンは、「各モダリティがそれぞれの特性を十分に発揮できるよう構造を分離した点が、RLDX-1の中核です。トルク信号によって接触の瞬間を高精度に捉え、時間軸上の動的変化を推論する能力は、従来のVLAでは構造的に扱いが難しい領域でした」と述べています。 ■日韓主

リアルワールド（RLWRLD）、日本初の独自ロボティクス基盤モデル「RLDX-1（リアルデックス）」を正式公開

AI サマリー（NQ 加工済み）

AI 分析