Sony CSL-ի 0.68 մլն պարամետրով ռազմավարությունը (policy), որը հիմնված է կանխատեսողական կոդավորման (predictive coding) վրա, LIBERO-ում 4–7× գերազանցեց պարամետրերով համապատասխանեցված Transformer և LSTM ելակետային մոդելներին (baselines)։ Դա ուղղակի հարված է այն ենթադրությանը, թե լեզվով պայմանավորված կառավարումը պահանջում է VLA-ի մասշտաբի պարամետրեր։ Մինչդեռ կապիտալը շարժվեց հակառակ ուղղությամբ. հաղորդվում է, որ SoftBank-ը բանակցում է 1X-ի վերահսկողությունը ձեռք բերելու շուրջ՝ ~$6 մլրդ գնահատմամբ։
Ճարտարապետական նորույթը՝ դիտարկումները երբեք չեն մտնում ռեկուրենտ դինամիկայի մեջ։ Հիերարխիկ, բազմաժամանակային մասշտաբով RNN-ը (PV-RNN-ի ժառանգորդ) կանխատեսում է տեսողական հատկանիշները և պրոպրիոցեպցիան (proprioception), իսկ դիտարկումներն ազդում են միայն թեստի ժամանակ՝ սահող պատուհանում թաքնված ազատ փոփոխականների վրա գրադիենտային վայրէջքի միջոցով. դա սխալի ռեգրեսիա է, ոչ թե մուտքային ուղի։ Թաքնված վիճակի գնահատման (inference) քայլերի թիվը զրո դնելով՝ նույն կշիռների վրա ստացվում է ճշգրիտ բաց շղթայով աբլյացիա (ablation)։ Նախնական մշակման մասը (front end) սառեցված է և պատրաստի (ResNet18 + MiniLM + ֆիքսված PCA), ուստի 675 732 ուսուցանվող պարամետրերն ամբողջ ուսուցված կառավարիչն են։ Գնահատում՝ միայն LIBERO, միայն սիմուլյացիա, մեկ մարմնավորում (embodiment), յուրաքանչյուր խմբի (suite) համար առանձին ուսուցում։ Կոդ չկա։ Մեկ լաբորատորիայի չվերարտադրված պնդում։ Մանրամասն՝ §6-ում։
Մեկ կադրով աշխատող VLA-ին (π0.5) ավելացնում է ժամանակային համատեքստ՝ առանց նոր պարամետրերի. դա հրահանգին կապված հոսքային մշակում է T կադրից բաղկացած պատուհանում, ոչ թե առանձին հիշողության մոդուլ։ «Զրո լրացուցիչ պարամետր» պնդումը նշանակում է, որ ժամանակային ագրեգացիան օգտագործում է ուշադրության (attention) արդեն եղած ռեսուրսը՝ ռեկուրենտ գլուխ ավելացնելու փոխարեն։ LIBERO՝ 98.3% T=5-ի դեպքում (π0.5-ի համեմատ Goal-ում +2.8 տ.կ., Long-ում +2.6 տ.կ., ինչը հագեցած հենանիշում աղմուկի սահմաններում է), բայց փաստարկն իրական ռոբոտի արդյունքներն են՝ +26.7-ից +36.6 տ.կ. հիշողությունից կախված և ճշգրտություն պահանջող չորս առաջադրանքներում, օրինակ՝ բաժակի տեղադրումը 92% ընդդեմ 60%-ի՝ 25 փորձում։ Փոքր նմուշ և մեկ լաբորատորիա, բայց այդ տարբերությունը դուրս է սերմերի (seeds) հավանական տատանումից։ Պահոց՝ իրական կոդով (openpi/LeRobot-ի հիմքով). 2026-08-30-ի դրությամբ README-ն ասում է, որ կշիռները դեռ սպասվում են։ Մինչ դրանց հրապարակումը սա մեկ GPU-ով վերարտադրելի չէ. π0.5-ի լրաուսուցումը (fine-tuning) փոքր մոդելը զրոյից ուսուցանելու պես էժան չէ։
Մեկ պատճառային ավտոռեգրեսիվ մոդել, որը միաժամանակ ռազմավարություն է և գործողությամբ պայմանավորված սիմուլյատոր՝ բազմատեսանկյուն տեսանյութի, վիճակի և գործողության վրա. հայտարարված է 200 հազ.+ ժամ տվյալ, որը ներառում է մարդու էգոկենտրոն տեսանյութ, ձեռքի բռնիչով արված ցուցադրումներ և տարասեռ ռոբոտային տվյալներ։ Հաղորդված արդյունքները՝ RoboTwin2.0՝ 94.3%, LIBERO՝ 99.0%, RoboCasa-365՝ 62.6%, իրական աշխարհում՝ 85.0% հաջողություն / 94.4% առաջխաղացում, ~15%-ով ավելի, քան ամենաուժեղ բաց ելակետային մոդելը։ Հերթում սա նշված էր որպես «բաց կոդով հրապարակված», բայց ես չկարողացա հաստատել. abs էջում պահոց նշված չէ, և համապատասխան HF պահոց գոյություն չունի։ Հրապարակման պնդումը համարեք չհաստատված։ Ամեն դեպքում՝ սա ռոբոտների պարկի (fleet) տվյալների արդյունք է։
Գործողությամբ պայմանավորված տեսանյութային աշխարհի մոդել (world model)՝ տարբեր մարմնավորումների միջև. թաքնված գործողությունները սովորվում են չպիտակավորված տեսանյութից և կապվում վերջնական գործիքի (end-effector) դիրքերին՝ ընդգրկելով DROID, Bridge, երկձեռ YAM, G1 մարդանման ռոբոտ և EgoDex։ Թաքնված գործողությունների տարածությունն ընդհանուր միջերեսն է, իսկ վերջնական գործիքի դիրքը՝ մարմնավորմանը հատուկ միակ կապը. հենց դրա համար է պնդվում, որ նոր մարմնավորմանը հարմարվելը տեղի է ունենում մեկ գրադիենտային քայլում։ SVD հիմնական ցանց (backbone), OXE + EgoDex, 100 հազ. քայլ։ Հղված են՝ Կոդ և կշիռներ։ Կարևոր թիվը՝ 12 GB-ից պակաս VRAM, աշխատում է 3060-ի վրա։
Հպումը (contact) որոշում է ճկուն բռնիչի (gripper) տեսանելի ձևափոխությունից՝ սովորական տեսախցիկներով ստացված 3D տեղաշարժի դաշտից, և այն վերադարձնում է որպես բռնիչի աստիճանական ուղղումներ։ Իմաստը շոշափողական (tactile) մատրիցի համեմատ ճշգրտությունը չէ, այլ շոշափողական սարքավորումն ու դրա լարերը վերացնելը։ Երեք առաջադրանք (տարբեր չափերի առարկաների բռնում, կափարիչի պտուտակաբացում, գեղագրություն), որոնցում գերազանցում է 3D Diffusion Policy-ին և շոշափողական ելակետային մոդելին։ Երեք առաջադրանքը քիչ է, և կոդ նշված չէ. նախագծի նյութերը Google Sites էջ են։ եզրահանգում փոքր նախագծի համար հպման ազդանշան ստանալու ամենաէժան ճանապարհը, եթե ձեր բռնիչը ձևափոխվում է տեսանելի և կրկնելի կերպով։
Շոշափողական հետադարձ կապը տեղադրում է գործողությունների հոսքային գեներացման ներսում, ոչ թե դրա շուրջ փաթաթված ռեակտիվ շերտում։ Նույն ճարտարապետական բնազդը, ինչ StreamPI-ում, կիրառված հպման նկատմամբ։
Հոսքի համընկեցում (flow matching) SO(3)×ℝ³-ի վրա՝ կիսախմբի համաձայնեցվածության հանրահաշվական պայմանով. ≤5 ցանցի գնահատում, միլիվայրկյանային բռնումներ, ACRONYM-ում դիֆուզիոն/հոսքային ելակետային մոդելների նկատմամբ մինչև 39× գերազանցություն, հայտարարված ուղիղ փոխանցում իրական աշխարհ։ Կոդ չկա։ Փոխանցելի գաղափարը՝ կիսախմբի սահմանափակումը որպես բազմաձևության վրա քիչ քայլերով նմուշառման հնարք, հատուկ չէ միայն բռնմանը։
Նաև (բոլորը պրեպրինտներ)՝ ջլային կառավարմամբ հինգմատանի ձեռք՝ յուրաքանչյուր մատի վրա երկու տեսակի շոշափողական զգայմամբ, PRISM՝ GPU-ի վրա նմուշառմամբ MPC QP պրոյեկցիայով՝ երկձեռ հպման համար, և րոպեների ընթացքում սովորված ձեռնածություն իրական ռոբոտի վրա. վերջինը հիշեցնում է, որ սարքավորման վրա առցանց հարմարվելը կարող է ավելի արդյունավետ լինել, քան sim2real խզումը փակելը։
3Հարթակներ և մարմնավորում
Սակավ նորություններով շաբաթ։ Microduck (մամուլ)՝ $399, 25 սմ, 15-DOF երկոտանի ռոբոտ Pollen/Hugging Face-ից, RK3566, ToF լիդար, երկու IMU. SDK-ն, սիմուլյացիան և RL ուսուցման ստեկը բաց են GitHub-ում, սարքավորման ֆայլերը՝ ոչ։ Վաճառքը՝ մինչև 2026 թ. Սուրբ Ծննդյան տոները։ Կարողությունները ցույց են տրված միայն տեսանյութով (օրորվող քայլք, կտուցով առարկա վերցնել, ընկնելուց վերականգնում, անվաչմուշկներով սահք). դեմո տեսանյութի մակարդակի ապացույց, անհայտ է՝ բեմադրված է, թե իրական։
SOLO-ն (մարդանման ռոբոտի տեղաշարժ ընկալման հիման վրա) և ցածր գնով բաց սարքավորման վրա Poppy-ի LQR քայլքը հարթակային միակ պրեպրինտներն են, որոնց հետևում իրական մեթոդ կա։ Այս ժամանակահատվածում մարդանման ռոբոտներ արտադրող ոչ մի ընկերություն տեխնիկական արդյունք չի հրապարակել։
4Բաց կոդ և գործիքներ
Այս ամիս աշխատանքը հեշտացնող նյութերը՝ ըստ կարևորության. CLAP-ի 12 GB աշխարհի մոդելը (վերևում), որը թույլ է տալիս ուսուցված դինամիկան ստուգել ձեր սեփական սարքավորման վրա։ CRESSim-Neo (պրեպրինտ)՝ GPU-ի վրա փաթեթներով աշխատող սիմուլյատոր ձևափոխվող և վիրաբուժական առարկաների համար՝ PyTorch կապերով։ Sharpa-ի շոշափողական ձևափոխության կոդավորիչը՝ Apache-2.0 լիցենզիայով ConvNeXtV2 կշիռներ սենսորներ արտադրողից. փոքր է, բայց իրական տվյալներ ունեցողի կողմից նախաուսուցված շոշափողական հատկանիշները հազվադեպ են։ Muse-Robotics-1՝ 121.7 մլն պարամետրով, MIT լիցենզիայով VLA, առանց հոդվածի, առանց քարտի, չստուգված։
Այս ժամանակահատվածում ոչինչ չի եղել LeRobot-ից, MuJoCo/MJX-ից, Isaac Lab-ից, ManiSkill-ից, RoboCasa-ից կամ ROS 2-ի միջուկից։ Genesis-ի թողարկումների էջը երեք անընդմեջ ստուգումների ժամանակ 404 է վերադարձրել. կարգավիճակն անհայտ է, և դա չի նշանակում «թողարկում չկա»։
Գնահատման թեմայով ձեր ժամանակին արժանի նյութը՝ ֆիզիկական ԱԲ-ի հենանիշների ավելորդության վիճակագրական աուդիտ (պրեպրինտ). 51 մոդել × 12 հենանիշ (benchmark). փոխարինելի երկու զույգերը միավորելը 51 մոդելից 22-ի դիրքը փոխում է երեք և ավելի տեղով, իսկ չորս հենանիշը պահպանում են բոլոր տասներկուսի դասակարգման օգտակարության 78.5%-ը։ Կարդացեք այսպես. ձեր տեսած հենանիշային աղյուսակների մեծ մասը նույն առանցքը մի քանի անգամ է հաղորդում։
5Փող և գործարքներ
Generalist$3 մլրդ+50%՝ 10 շաբաթում$200 մլն լրացուցիչ ներդրում՝ 8VC-ի գլխավորությամբ
8VC-ի գլխավորությամբ $200 մլն լրացուցիչ ներդրում՝ հունիսի $2 մլրդ-ից հետո. 50% աճ տասը շաբաթում՝ Gen 1.5-ի այն պնդման հիման վրա, որ այն առաջադրանքներ է սովորում 3–12 վայրկյան տևողությամբ տեսացուցադրումներից։ եզրահանգում կապիտալը գնահատում է ցուցադրումների արդյունավետությունը, ոչ թե առաջադրանքների ծածկույթը. համոզիչ դարձած փաստարկը «մեկ հմտության համար ավելի քիչ դրվագներն» են։
SoftBank ↔ 1X, ~$6 մլրդ, վերահսկիչ բաժնեմաս
մամուլ/ հաղորդել է The Information-ը. SoftBank-ը հրաժարվել է մեկնաբանել, 1X-ը չի պատասխանել, չհաստատված
Եզրահանգումվերահսկիչ բաժնեմասը աճի փուլ չէ։ Եթե գործարքը կայանա, այն կնշանակի, որ ռազմավարական սեփականատերը կլանում է մարդանման ռոբոտի հարթակը, այլ ոչ թե շուկան է բարձրացնում դրա արժեքը։
NeuraGrasp-ը՝ ծծող և սեղմող բռնումը համատեղող փափուկ վերջնական գործիք՝ արտադրանքի վեց սերնդով, տեղադրվում է Locus-ի Array շարժական մանիպուլյատորի վրա։ եզրահանգում լոգիստիկայի հաստատված խաղացողները եզրակացրել են, որ մանիպուլյացիան գնում են, ոչ թե կառուցում, և այն, ինչ նրանք գնում են, վերջնական գործիքի սարքավորումն է, ոչ թե ռազմավարությունը։
EXL/iMerit. վերլուծական ընկերությունը կլանում է ֆիզիկական ԱԲ-ի տվյալների պիտակավորման ընկերությանը. NSF-ը տասը տարվա ընթացքում $30 մլն է հատկացրել UT Austin-ի կենտրոնին, որն ուսումնասիրում է ռոբոտների և մարդկանց համատեղ ուսուցումը։ եզրահանգում տվյալների պիտակավորման շերտը միավորվում է կորպորատիվ ծառայությունների մեջ, մինչդեռ երկարաժամկետ HRI-ն նահանջում է դեպի դաշնային ֆինանսավորում։
6Խորը ընթերցում՝ PredVLA
arXiv:2608.26673՝ պրեպրինտ, Sawada և Kasahara, Sony Computer Science Laboratories։
Փորձի կառուցվածքը։ LIBERO, բոլոր չորս խմբերը, պաշտոնական ցուցադրումներ, Franka սիմուլյացիայում, 14 սերմ, յուրաքանչյուր խումբ ուսուցանված է առանձին։ Ստուգման համար առանձնացված է՝ ոչինչ LIBERO-ի սեփական բաժանումներից բացի. ոչ այլ մարմնավորումներ, ոչ սարքավորում։
Մեթոդը։ Ժառանգված՝ բազմաժամանակային մասշտաբով RNN և PV-RNN-ի նախնական/հետին (prior/posterior) ազատ փոփոխականների ձևակերպումը, սառեցված ResNet18/MiniLM նախնական մշակման մասեր, գաուսյան խառնուրդով գործողությունների գլուխ (action head)։ Նոր՝ (ա) այն գործարկել որպես լեզվով պայմանավորված ռազմավարություն ժամանակակից VLA արձանագրությամբ, ինչը կանխատեսողական կոդավորման սենսոմոտոր աշխատանքները չէին արել. (բ) խիստ կանոնը, որ դիտարկումները մոդելին դիպչում են միայն թաքնված փոփոխականների վրա ազատ էներգիայի նվազարկման միջոցով, և հենց դա է ապահովում ճշգրիտ բաց շղթայով աբլյացիան. (գ) երկու կողային ուղի՝ ցածր չափողականության տեսողություն→գործողություն նեղ կոկորդ և մոդելի սեփական կանխատեսած գործողության ու պրոպրիոցեպցիայի էֆերենտ պատճենը (efference copy), որը վերադարձվում է տեսողական ճյուղին, այնպես որ ոչ մի չափում չի մտնում ուղիղ դինամիկայի մեջ։
Ճարտարապետական կանոնը, որի վրա կառուցված է հոդվածը։ Վարքի կլոնավորման (behaviour cloning) դեպքում դիտարկումը ռեկուրենտ վիճակի մուտքն է. PredVLA-ում դինամիկան կանխատեսում է ստեղծում, և դիտարկումը թաքնված վիճակին հասնում է միայն որպես կանխատեսման սխալի գրադիենտ։ Գրադիենտային քայլերի թիվը զրո դնելը ամբողջությամբ կտրում է նարնջագույն ուղին, և հենց դա է հնարավոր դարձնում ճշգրիտ բաց շղթայով աբլյացիան անփոփոխ կշիռների վրա։
Կարևոր թիվը։ Ոչ թե չորս խմբերի 75.35% միջինը, այլ վերահսկվող համեմատությունը։ Համապատասխանեցված պարամետրերով և նույն նախնական մշակմամբ, ցուցադրումներով, գործողությունների գլխով ու արձանագրությամբ՝ BC-Transformer՝ 19.73%, BC-RNN՝ 10.26%։ Ավելի շատ պարամետրերով և գործողությունների փաթեթավորմամբ (action chunking) Transformer-ներն ավելի վատ են (16.70%՝ 8 երկարությամբ փաթեթի դեպքում, 3.44%՝ 16 երկարությամբ փաթեթի դեպքում)։ Այս բյուջեի դեպքում փաթեթավորումը փլուզվում է։
LIBERO-ի չորս խմբերի միջին հաջողության մակարդակը՝ համապատասխանեցված պարամետրային բյուջեներով
PredVLA675 732 պարամետր
75.35%
BC-Transformer646 628
19.73%
BC-TF, փաթեթ 8772 558
16.70%
BC-RNN (LSTM)674 276
10.26%
BC-TF, փաթեթ 16916 478
3.44%
Բոլոր հինգն ունեն նախնական մշակման նույն սառեցված մասը, նույն ցուցադրումները, գործողությունների գլուխը և գնահատման արձանագրությունը, ուստի տարբերությունը վերագրելի է կառավարիչին։ Գործողությունների փաթեթավորմամբ երկու տարբերակներն ավելի շատ պարամետր ունեն, քան PredVLA-ն, և այնուամենայնիվ վերջին տեղերում են, բայց սրանք հեղինակների սեփական ելակետային մոդելներն են, և այս մասշտաբում հիպերպարամետրերի որոնում չի հաղորդվում։
Աղյուսակային տեսք
Արժեք
PredVLA
675 732 պարամետր
75.35%
BC-Transformer
646 628
19.73%
BC-TF, փաթեթ 8
772 558
16.70%
BC-RNN (LSTM)
674 276
10.26%
BC-TF, փաթեթ 16
916 478
3.44%
arXiv:2608.26673, աղյուսակ 1 և աղյուսակ 2՝ պրեպրինտ, չվերարտադրված
Կորցրած տոկոսային կետերը, երբ առցանց սխալի ռեգրեսիան անջատված է
LONGերկարաժամկետ
12.57 տ.կ.
OBJECT
12.17 տ.կ.
GOAL
9.56 տ.կ.
SPATIAL
6.44 տ.կ.
Թաքնված վիճակի գնահատման քայլերի թիվը զրո դնելը նույն կշիռների վրա տալիս է ճշգրիտ բաց շղթայով կառավարում. սա այն աբլյացիան է, որը հնարավոր է դարձնում ճարտարապետությունը։ Փակ շղթայով ուղղումը կորցնելու գինը մոտավորապես կրկնապատկվում է ամենահեշտ խմբից դեպի երկարաժամկետ խումբը։ Սրանք հոդվածի՝ նույն սերմերով համեմատված տարբերություններն են, ոչ թե 14 սերմով հիմնական միջինների տարբերությունները, որոնք հաշվարկված են սերմերի այլ բազմության վրա։
Աղյուսակային տեսք
Անկում
LONG
երկարաժամկետ
12.57 տ.կ.
OBJECT
12.17 տ.կ.
GOAL
9.56 տ.կ.
SPATIAL
6.44 տ.կ.
arXiv:2608.26673՝ պրեպրինտ, չվերարտադրված
Թույլ կողմերը։
Միայն սիմուլյացիա, մեկ մարմնավորում, մեկ հենանիշ. LONG-ում 40.57%-ը երկարաժամկետ առաջադրանքների արդյունք չէ։
Յուրաքանչյուր խմբի առանձին ուսուցումը նշանակում է, որ բազմաառաջադրանքային ոչ մի պնդում չի պահպանվում։
Ելակետային մոդելները հեղինակների սեփական՝ պարամետրերով համապատասխանեցված իրականացումներն են, ոչ թե հրապարակված համակարգեր, և հիպերպարամետրերի որոնում չի հաղորդվում։ 3.4% արդյունքով 16-փաթեթային Transformer-ը կասկածելիորեն անսարք ելակետ է. հավանաբար դա 1 մլն-ից փոքր ռեժիմում կարգավորման արտեֆակտ է, ոչ թե փաթեթավորման դեմ ապացույց։
Համեմատությունը փոքր BC ռազմավարությունների հետ է, ոչ թե π0.5-ի կամ OpenVLA-ի։ Հոդվածը չի պնդում, թե գերազանցում է դրանց։
Հաշվողական ռեսուրսների անհամաչափությունը հեղինակների օգտին է, ինչը ազնիվ ուղղությունն է։
Ինչ արժե փոխառել։
Ճշգրիտ բաց շղթայի անջատիչը. եթե դիտարկման ուղին առանձնացվող է, կարող եք նույն կշիռների վրա չափել, թե իրականում ինչ է անում փակ շղթայով ուղղումը։ Այստեղ դրա անջատումն արժեցել է 6–13 տ.կ.։ Ռազմավարությունների մեծ մասն ընդհանրապես չի կարող պատասխանել այս հարցին։
Սառեցված կոդավորիչ (encoder) + ձեր սեփական ցուցադրումների վրա հարմարեցված ֆիքսված PCA բազիս. էժան է, դետերմինիստիկ, և ուսուցանվող մասը դարձնում է այնքան փոքր, որ փորձերը կարելի է կրկնել րոպեների ընթացքում։
Էֆերենտ պատճենը որպես հետադարձ կապի ուղի. վերադարձրեք մոդելի կանխատեսած գործողությունն ու պրոպրիոցեպցիան, ոչ թե չափումները՝ ուղիղ դինամիկան պահելով գեներատիվ։
Ըստ ալիքների աղավաղման ստուգումներ։ Նրանց ամենասուր արդյունքն անհամաչափ է. պրոպրիոցեպտիվ տվյալների 25% աղավաղումը OBJECT-ում արժեցել է 49.7 տ.կ., իսկ տեսողական տվյալների 50% աղավաղումը՝ 5 տ.կ.-ից պակաս։ Արժե ստուգել ցանկացած համակարգի վրա, որը կիրառում եք։
Վերարտադրման արժեքը։ 0.68 մլն ուսուցանվող պարամետր, սառեցված նախնական մշակման մասեր, LIBERO-ի հանրային ցուցադրումներ. գնահատմամբ՝ մեկ խմբի համար միանիշ թվով GPU-ժամ մեկ սպառողական քարտի վրա, առանց տվյալների հավաքման, առանց նախաուսուցման (pretraining)։ Միակ անսովոր ծախսը թեստի ժամանակ սխալի ռեգրեսիան է, և 46 մվ/քայլ արժեքն այն ներառում է։ եզրահանգում մեկ հանգստյան օր, և ամբողջ ռիսկը նրանում է, թե արդյոք ելակետային մոդելներն արդարացիորեն են կարգավորված։
7Ինչ է սա փոխում փոքր նախագծի համար
Ենթադրենք՝ մեկ մանիպուլյատոր, մեկ GPU, ռոբոտների պարկ չկա։ Այս շաբաթ երեք նյութ ինչ-որ բան է փոխում։
PredVLA-ն այստեղ միակ հոդվածն է, որը կարող եք ամբողջությամբ վերարտադրել։ 0.68 մլն ուսուցանվող պարամետր, սառեցված պատրաստի նախնական մշակման մասեր, LIBERO-ի հանրային ցուցադրումներ, մեկ խմբի համար միանիշ թվով GPU-ժամ։ Եթե ուզում եք ռազմավարություն, որը կարող եք իսկապես կարդալ սկզբից մինչև վերջ և հագեցնել չափիչ գործիքներով, սա է կլոնավորելու ճարտարապետությունը՝ §6-ի այն վերապահումով, որ ելակետային մոդելները կարող են թերի կարգավորված լինել։
CLAP-ը աշխարհի մոդելները դարձնում է ստուգելի առանց կլաստերի։ 3060-ի վրա 12 GB-ից պակաս VRAM-ը «կարդալ հոդվածը» և «գործարկել այն» տարբերությունն է։ Եթե ուսուցված դինամիկայի մոդելը նախկինում բյուջեից դուրս էր, այս շաբաթ այդպես չէ։
VISTA-ն վերացնում է սարքավորումային կախվածությունը։ Եթե շոշափողական մատրիցը ձեր ցանկում էր միայն հպման ազդանշանը կառավարման շղթա բերելու համար, ճկուն բռնիչը և ձեր արդեն ունեցած տեսախցիկները կարող են բավարար լինել։ Կոդ չի հրապարակվել, ուստի սա նախագծային ակնարկ է, ոչ թե ներբեռնելու բան, և այն պահանջում է բռնիչ, որի ձևափոխությունը տեսանելի և կրկնելի է։
Այս շաբաթ ոչինչ չի առնչվում տվյալների հավաքման սարքերին կամ հեռակառավարման (teleoperation) արժեքին։
8Շուկայական ազդանշան
Որտեղ է տեսանելիորեն աճում աշխատակազմը՝ Generalist (ընդհանուր առմամբ ներգրավված $600 մլն), 1X, եթե SoftBank-ի գործարքը կայանա, Locus (որը կլանում է Nexera-ի մանիպուլյացիայի թիմը), և NSF-ի ֆինանսավորմամբ նոր կենտրոն UT Austin-ում։ Հարկ է նշել, որ այս շաբաթ մանիպուլյացիային հատուկ պահանջարկը եկավ լոգիստիկ գնորդից, ոչ թե մարդանման ռոբոտների ընկերությունից։
Ուշադրության արժանացած աշխատանքներում կրկնվում են երեք տեխնիկական ուղղություններ։ Հոսքային և ասինխրոն գործարկումը (inference) (StreamPI, FlashVLA, քիչ քայլերով հոսքային նմուշառում) հանդիպում է երեք առանձին անգամ. ոլորտը «աշխատո՞ւմ է ռազմավարությունը» հարցից անցել է «աշխատո՞ւմ է այն կառավարման հաճախականությամբ» հարցին։ Երկրորդը հպումն ու ուժն են որպես ռազմավարության առաջնային մուտքեր, ոչ թե անվտանգության թաղանթներ (VISTA, TacForcing)։ Երրորդը տարբեր մարմնավորումների միջև թաքնված գործողությունների միջերեսներն են (CLAP, տեսախցիկակենտրոն նախաուսուցում)։
Պարտադիր նվազագույնը, այն իմաստով, որ դրանք այլևս ոչինչ չեն տարբերակում՝ LIBERO ≥95%, գործողությունների փաթեթավորում, հոսքային կամ դիֆուզիոն գործողությունների գլուխներ, հոդվածը ներկայացնելիս հղված պահոց։ Դեռևս սակավ են՝ պարամետրերով համապատասխանեցված վերահսկվող աբլյացիաները (գրեթե ոչ ոք դրանք չի անում, և հենց դրանց շնորհիվ է PredVLA-ն հասկանալի), իրական ռոբոտի վրա գնահատումները՝ նշված փորձերի քանակով, և որևէ ապացույց, որ հեղինակները գիտեն, թե որ հենանիշներն են ավելորդ։
Այս շաբաթ վարձատրության կամ պաշտոնային մակարդակների վերաբերյալ վստահելի տվյալներ չհայտնվեցին։ «robotics engineer salary 2026» որոնման համար բարձր դիրքեր զբաղեցնող ագրեգատոր էջերը SEO բովանդակություն են՝ առանց նշված մեթոդաբանության. ավելի լավ է ոչինչ չհաղորդել, քան դրանք «լվանալ»։
9Թեմաներ
Առաջին թողարկում. ցանկը նոր է սկսվում։
Թեմա
Կարգավիճակ
Ինչը կհամարվեր հաջորդ իրական թարմացում
Արդյո՞ք VLA-ի մասշտաբն է ապահովում լեզվով պայմանավորված կառավարումը
առաջընթաց (PredVLA)
10 մլն-ից փոքր ռազմավարություն իրական սարքավորման վրա, բազմաառաջադրանքային, հրապարակված ելակետային մոդելի, ոչ թե ներքին մոդելի համեմատ
Հպման զգայում առանց շոշափողական սարքավորման
առաջընթաց (VISTA, TacForcing)
Անկախ լաբորատորիա, որը վերարտադրում է տեսողական ձևափոխության զգայումն այլ բռնիչի վրա, կամ հրապարակված տեխնիկական բնութագրեր
Աշխարհ–գործողություն մոդելները որպես միասնական ռազմավարություն + սիմուլյատոր
առաջընթաց (Riemann-1.0, CLAP, WALL-SS)
Ինչ-որ մեկը հրապարակված աշխարհի մոդելն օգտագործում է ռազմավարությունը բարելավելու համար, ոչ միայն տեսանյութ կանխատեսելու
Հայտարարված բաց թողարկումներն ընդդեմ իրական արտեֆակտների
վիճելի (StreamPI՝ սպասվում է, Riemann՝ չստուգված, Muse՝ առանց քարտի)
Կշիռների հայտնվելը, և որ ինչ-որ մեկը դրանք գործարկի
Մարդանման ռոբոտների կապիտալն ընդդեմ ցուցադրված կարողության
առաջընթաց (SoftBank/1X, չհաստատված)
1X-ի գործարքի հաստատումը կամ ձախողումը. մարդանման ռոբոտների ընկերություն, որը հրապարակում է մեթոդ, ոչ թե տեսանյութ
Մանիպուլյացիան գնվում է, ոչ թե կառուցվում
առաջընթաց (Locus/Nexera)
Լոգիստիկայի երկրորդ հաստատված խաղացողը, որն այս եռամսյակում գնում է վերջնական գործիքի կամ ռազմավարությունների թիմ
Հենանիշների վավերականությունը ֆիզիկական ԱԲ-ում
նոր (ավելորդության աուդիտ)
Խոշոր լաբորատորիա, որն ընդունում է հենանիշների կրճատված հավաքածու, կամ LIBERO-ն դուրս է գալիս հիմնական աղյուսակներից
Էժան բաց սարքավորումը որպես ուսուցման հենք
նոր (Microduck, Poppy LQR)
Microduck-ի վաճառքի մեկնարկը, և երրորդ կողմը, որը դրա վրա ռազմավարություն է ուսուցանում
Գործարկման ուշացումը որպես կիրառման նեղ տեղ
առաջընթաց (StreamPI, FlashVLA, MeanFlow)
Ուշացումը հաղորդվում է հաջողության մակարդակի կողքին՝ որպես կանոն
Այլ ուշագրավ նյութեր
GaussVLA — Mamba հիմնական ցանց, որը մշակում է 3D գաուսյան թոքեններ։ Ճարտարապետական դիտարկում՝ առանց գաուսյանները մեկուսացնող գնահատման։
GaussianDream++ — աշխարհի վիճակի կոմպակտ գաուսյան թոքեններ VLA-ի ներսում։ Համընկնում է CLAP-ի հետ, բայց առանց հրապարակման։
Zero-WAM — համատեքստային նմանակում մարդու մեկ տեսանյութից։ Հետաքրքիր պնդում, կոդ չկա, չվերարտադրված։
R3 — RL հետուսուցում ազատ ձևի լեզվական դատողության համար, որն ուղղորդում է ցածր մակարդակի ռազմավարությունը։
RA-VLA — որոնում՝ թեստի ժամանակ հարմարվելու համար։ Որոնման կորպուսը նկարագրված չէ։
One Policy, Many Embodiments — տեսախցիկակենտրոն գործողությունների երկրաչափություն՝ տարբեր մարմնավորումների միջև նախաուսուցման համար։ Նույն տարածքը, ինչ CLAP-ը։
LM-X — առաջխաղացման, իրադարձությունների և անորոշության գլուխներ VLA-ի վրա։ Մեկնաբանելիության պնդում՝ առանց որոշումների համար նշանակալի գնահատման։
Memory Anchors — շարունակական ուսուցում առանց ամբողջական վերաուսուցման։ Առաջադրանքների փոքր խումբ։
TemporalFlow-VLA — ժամանակային հոսքը ներկայացնում է որպես կատարման պատմություն։ Մոտ է StreamPI-ին, ավելի թույլ գնահատմամբ։
GRAFT — քեշավորված տեսողություն–լեզու նախածանցն էժանացնում է VLA-ի առցանց հարմարեցումը։ Արժե վերադառնալ, եթե կոդը հրապարակվի։
FLARE — ձախողումների հայտնաբերում և վերականգնում՝ երկարաժամկետ VLA կատարման շուրջ։
WALL-SS — հաջորդ մասշտաբի ավտոռեգրեսիա՝ աշխարհի մոդելի ավելի երկար փորձարկումների (rollouts) համար։
4DSynth — լեզվից կամ լուսանկարից՝ ֆիզիկայով խմբագրելի 4D տեսարաններ։
Figure: Index — սմարթֆոններով խմբային (crowdsourced) տվյալների հավաքման խողովակաշար, խոստացված $1 մլրդ, ոչինչ չի հրապարակվել։
Jetson Orin Nano 2 — 78 TOPS, 8 GB, 2× արագ գործարկում 40%-ով պակաս էներգիայով։ Վաճառքը՝ 2027 թ. 1-ին կիսամյակում, ուստի դեռ ոչինչ չի փոխում։
Anthropic Model Hardware Standard — MCP-ի միջոցով դրայվերային պրիմիտիվներ՝ լաբորատոր մանիպուլյատորներ կառավարող գործակալների համար։ Հետազոտական նախադիտում, ոչինչ չի հրապարակվել։
10Բաց հարց
PredVLA-ի 4–7× առավելությունը կանխատեսողական կոդավորմա՞ն օգտին է վկայում, թե՞ այն բանի, որ Transformer-ները և գործողությունների փաթեթավորումը պարզապես չեն աշխատում մեկ միլիոն պարամետրից ցածր։ Հոդվածը չի կարող տարբերել այս երկուսը. յուրաքանչյուր ելակետային մոդել նրա սեփական իրականացումն է մի ռեժիմում, որի համար ոչ ոք օպտիմալացում չի անում։ Հարցը կլուծի կամ անկախ խմբի կողմից ճիշտ կարգավորված 1 մլն-ից փոքր Transformer-ը, կամ այն, որ PredVLA-ն պահպանի իր առավելությունը 10–100 մլն պարամետրի դեպքում, որտեղ Transformer ելակետային մոդելները հայտնի են որպես լավ աշխատող։ Երկրորդը էժան է, և հեղինակները դա չեն արել։
Աղբյուրները նշված են տեքստում։ arXiv-ի բոլոր նյութերը պրեպրինտներ են՝ չգրախոսված։ Մեկ լաբորատորիայի պնդումները նշված են, որտեղ դա տեղին է։