研究概要：ARCと呼ばれる推論レシピは、既存の最先端ロボット基盤モデル（RFM）のゼロショットタスク性能を改善します。ここでゼロショットは、追加のタスク固有の学習なしに新しい課題に対応することを指します。著者らは、報告された改善が追加のロボット実演や基盤モデル規模での再学習を行わずに得られたと明記しています。

構成要素：ARCは三つの要素で構成されます。第一に、次の行動に基づきその行動が適切な理由と期待される効果を因果的に説明する「reasoning trace（推論トレース）」。第二に、既存のデモンストレーションからスケール可能にラベル付けする自動パイプライン。本研究では、この自動生成によりDROIDからARC-Trace-DROIDを構築する際に新規のロボットデータを収集していません。第三に、事前学習済みのRFMをこうしたトレースを制御に使えるように適応する戦略です。

適用例：著者らは、視覚・言語・行動（VLA）モデルや全腕操作器（WAM）のモデル群に対して、各アーキテクチャに合わせたファインチューニングと推論手順を適用し、トレースを制御に利用する学習を行ったと報告しています。報告に挙がる例としてπ_{0.5}（VLA）やCosmos3‑Nano‑Policy（WAM）が示されています。

評価結果：ARCを適用した適応モデルは、RoboLab-120とMolmoSpacesで新たな最先端性能を示しました。RoboLab-Reasoning-50では最大で50パーセンテージポイントの改善が報告されています。実機評価では、π_{0.5}のタスク成功率が82.2パーセンテージポイント向上したとされています。著者らは、これらの改善は追加の実演や基盤規模の再学習を行わずに得られた点で、既往と比べて例外的であるとしつつ、「to our knowledge（私たちの知る限り）」という限定を付けています。

注意点：以上は著者らが報告した特定のベンチマークとモデルに基づく評価結果です。提示された数値や「前例がない」とする表現は、報告時点での著者の限定付き表明であることに留意してください。