テキストを介さず画像で推論。ByteDanceが視覚推論AI「UniVR-34B」公開

ByteDanceが、テキストの思考連鎖を経由せず画像空間そのもので推論する視覚推論モデル「UniVR-34B-Planning」をHugging Faceで公開しました。

📖 この記事で分かること

• UniVR-34B-Planning の正体と何が新しいか
• テキストの思考連鎖を使わない「画像空間で推論」の意味
• VR-X ベンチマークでのスコアと対ベースライン差
• オープンウェイトの利用条件（ライセンス）

💡 知っておきたい用語

• 画像空間で推論: 答えを言葉で並べて考えるのではなく、画像そのものを描き進めながら次の状態を予測していくやり方。

最終更新日: 2026年7月15日

▶ 公式ページ

• ByteDance/UniVR-34B-Planning モデルカード（Hugging Face）

UniVR-34B-Planning とは

ByteDance が、視覚推論モデル「UniVR-34B-Planning」（2026年7月時点）を Hugging Face で公開しました。テキストの思考連鎖を経由せず、画像そのものの中で推論を進める点が最大の特徴です。

この記事のポイント

• ByteDance が 2026 年 7 月中旬、視覚推論モデル UniVR-34B-Planning を Hugging Face で公開（2026年7月時点）。
• パラメータ数 34B、ライセンスは CC BY 4.0 のオープンウェイト（2026年7月時点）。
• VR-X ベンチマーク総合で 58.2 を記録し、ベースラインの Emu3.5（39.8）を上回る。

UniVR-34B-Planning は、純粋な視覚デモンストレーションから、複雑な推論・きめ細かな物理ダイナミクス・長期プランニングを同時に学習する視覚推論フレームワークです。入出力は image-text-to-text で、画像と指示を受け取り、画像空間そのもので推論トレースを生成します。従来の言語モデルのように文章の思考連鎖（chain-of-thought）を書き下すのではなく、視覚のまま次の状態を組み立てる「native visual-space reasoning」を採る設計です。

何を学び、何ができるのか

学習と評価には、独自の VR-X ベンチマークが使われています。VR-X は 16 の多様なソースから集めた 150 万件の raw サンプルで構成され、visual guidance（視覚ガイド）・robot manipulation（ロボット操作）・editing（編集）・spatial perception（空間認識）・visual search（視覚探索）・puzzles / games（パズル・ゲーム）の 6 タスクカテゴリをカバーします。

モデルが想定する応用領域として、ロボット操作、ツール使用、マルチステップの制御タスクが挙げられています。言葉に一度落とし込まずに視覚のまま計画を立てられるため、物理的な操作や手順の長いタスクとの相性が公式に強調されています。

ベンチマークの数値

VR-X の総合スコアで、UniVR-34B は 58.2 を記録しました。ベースラインの Emu3.5 は 39.8 で、差は 18.4 ポイントです。タスク別では、Editing 68.0、Guidance 64.3、Search 62.2、Robot 59.5、Spatial 48.5、Puzzle 46.5 となっています。編集・ガイド・探索系で高く、パズルや空間認識は相対的に低い、という得意不得意の輪郭が読み取れます。

ライセンスは CC BY 4.0 で、モデルはオープンウェイトとして配布されています。表示（クレジット）を条件に、研究・商用を含めて扱える形です。

編集部の見方

編集部は、この公開で注目すべきは 34B というサイズより、推論を言語に落とさず画像空間で完結させるアプローチそのものだと見ます。

• 根拠1: 応用先として公式にロボット操作・マルチステップ制御が挙げられており、テキスト経由の思考連鎖が持つ「言語化のボトルネック」を回避する狙いが明確です。
• 根拠2: VR-X 総合で Emu3.5 比 18.4 ポイント差（58.2 対 39.8）と、同一ベンチ内で明確な上げ幅が出ています。
• 根拠3: CC BY 4.0 のオープンウェイトのため、身体性AIやロボティクスの研究者が自分の環境で追試・改造しやすい配布形態です。

この見方が変わる条件: VR-X が自社設計のベンチマークである以上、外部の独立した評価や、実機のロボット環境での再現結果が出てきたときに、汎用性の評価は上下し得ます。現時点の数値は自社ベンチ内の相対比較として受け止めるのが妥当です。

よくある質問

Q: UniVR-34B は誰でも使えますか？

A: Hugging Face 上で CC BY 4.0 ライセンスのオープンウェイトとして公開されています。表示（クレジット）を条件に利用できます。

Q: 普通の言語モデルと何が違いますか？

A: 文章の思考連鎖を書き下して考えるのではなく、画像空間そのもので推論トレースを生成する「native visual-space reasoning」を採る点が異なります。

Q: どんな用途を想定していますか？

A: 公式には、ロボット操作、ツール使用、マルチステップの制御タスクが応用領域として挙げられています。

まとめ

ByteDance の UniVR-34B-Planning は、視覚デモンストレーションから推論・物理ダイナミクス・長期プランニングを同時に学習し、画像空間のまま推論する視覚推論モデルです。VR-X 総合で 58.2 とベースラインの Emu3.5（39.8）を上回り、CC BY 4.0 のオープンウェイトとして配布されています。実機や外部ベンチでの検証が今後の評価軸になります。

ByteDance の他のAIモデル発表については、以下の記事でも詳しく解説しています:

【用語解説】

• native visual-space reasoning: 答えを言語の文章として組み立てず、画像そのものの中で次の状態を予測・生成しながら推論を進める方式。
• VR-X: UniVR の学習・評価に使われるベンチマーク。16 ソース・150 万サンプル・6 タスクカテゴリで構成される。
• オープンウェイト: モデルの重みが公開され、手元にダウンロードして実行・改造できる配布形態。UniVR-34B は CC BY 4.0 で公開。

引用元:

• [1] ByteDance/UniVR-34B-Planning モデルカード（Hugging Face）

この記事について: AI 支援で執筆、編集部が事実確認・編集しています。誤りや追加情報があれば Contact よりお知らせください。