Tencent Hy-Embodied-0.5-VLA-RoboTwin

Hy-Embodied-0.5-VLA-RoboTwin to ogólnego przeznaczenia model czynności Tencenta po dostrojeniu do jednego, konkretnego zestawu zadań. Punktem wyjścia jest Hy-Embodied-0.5-VLA-UMI, metą — wersja douczona na wszystkich pięćdziesięciu zadaniach manipulacji dwuramiennej z testu RoboTwin 2.0, po 550 nagranych podejść na zadanie, na 32 kartach graficznych. Deklarowany wynik to 90,9 procent udanych prób w czystej odmianie testu i 90,1 procent, gdy scenę się losuje — miesza położenia przedmiotów, oświetlenie i bałagan wokół. Producent podaje to jako najlepszy opublikowany rezultat modelu wizja-język-czynność. Ciekawsza od samej wysokości jest jednak różnica: niecały punkt między układem posprzątanym a zaburzonym sugeruje, że model nie uczy się na pamięć dokładnych położeń. Od własnego punktu wyjścia różni się dwiema rzeczami. Ogląda sześć klatek zamiast jednej — bieżący obraz i pięć niedawnych — więc jest w stanie rozpoznać, że przedmiot już się porusza. A jego horyzont planowania jest krótszy w krokach, ale dłuższy w czasie: dwadzieścia czynności przy trzykrotnie rzadszym próbkowaniu obejmuje więcej sekund przyszłości niż pięćdziesiąt szybkich kroków wersji wyjściowej. Zastrzeżenie należy się w tym samym zdaniu co wynik. RoboTwin 2.0 to test w symulacji, a ta wersja została dostrojona pod jego pięćdziesiąt zadań. Wysoka liczba dowodzi, że metoda działa — nie, że ten plik uczyni robota użytecznym w prawdziwej kuchni. Do tego producent odsyła z powrotem do modelu wyjściowego i własnych nagrań użytkownika. Licencja to Apache 2.0, co warto odnotować, bo rdzeń wizja-język, na którym stoi cała ta rodzina, ma licencję Tencenta wyraźnie nieobowiązującą w Unii Europejskiej, Wielkiej Brytanii i Korei Południowej. Raport techniczny: arXiv 2606.14409.

▸Wideo

Brak materiałów wideo.

▸Recenzje