[TL;DR डेली] मैंने काफी इंफ्रा थिएटर देखा है, इसलिए मैं एक बेंचमार्क डेमो और एक वास्तविक प्रोडक्शन स्टैक के बीच अंतर जानता हूँ। यह लेख तर्क देता है कि शरीरिक AI का अगला बॉटलनेक मॉडल की बुद्धिमत्ता पर नहीं, बल्कि टोकन भविष्यवाणियों को स्थिर शारीरिक क्रियाओं में बदलने वाली गंदी इंजीनियरिंग परत पर हो सकता है। और सच कहूँ? यही वह हिस्सा है जिसे सब अनुमान से कम महत्व देते हैं। 📌 अब यह क्यों मायने रखता है • लेख शारीरिक AI के लिए संभावित "ChatGPT मोमेंट" को GPT-6 Astra जैसे सामान्य मॉडल के एकल API पंक्ति के माध्यम से रोबोटों को नियंत्रित करने के बिंदु के रूप में प्रस्तुत करता है। • अच्छी खबर: संस्थान मॉडल क्षमता अभी भी तेजी से बढ़ रही है। • बुरी खबर: शारीरिक इंफ्रा पीछे पड़ गया है, जिसका मतलब है कि मजबूत मॉडल केवल प्रस्तुति स्टैक की कमजोरी को और तेज़ी से प्रकट करते हैं। 📌 FluxVLA Engine v2 क्या जोड़ता है • विस्तारित सिमुलेशन मूल्यांकन: 14 पॉलिसियाँ एक समेकित LIBERO क्लोज्ड-लूप बेंचमार्क पर, साथ ही RoboCasa GR-1, RoboTwin, और RoboDojo पर 8-पॉलिसी समाकलन। • 8 मॉडल-डिवाइस संयोजनों पर निष्पादन अनुकूलन से आवृत्ति 2.31x से 9.64x तक सुधारी गई। • ALOHA, Rebot, डुअल-आर्म Franka, और LimX Oli ह्यूमनॉइड पर कॉन्फ़िगरेशन से लेकर क्लोज्ड-लूप कार्यान्वयन तक के सत्यापित वास्तविक हार्डवेयर प्रस्तुति। 📌 ऑनलाइन RL वास्तव में प्रभाव डाला • SmolVLA के उदाहरण का प्रयोग करते हुए, ऑनलाइन RL सूक्ष्म-समायोजन के बाद: – LIBERO-10 सफलता दर 10.0 प्रतिशत बिंदुओं से सुधारी। – RoboTwin Clean में 15.4 प्रतिशत बिंदुओं की सुधार। • अधिक सटीकता से, 40 बाहरी-लूप पुनरावृत्तियों के बाद: – LIBERO-10 66.2% से 76.2% हो गया। – RoboTwin Clean 45.9% से 61.3% हो गया। • अनुवाद: जब छोटे मॉडल पूरी तरह सेअनुकरण सीखने से परे होकर पर्यावरण के साथ प्रतिक्रिया करने लगते हैं, तो वे हैरान करने वाले लाभ प्राप्त कर सकते हैं। 📌 मानकीकरण शांत सुपरपावर है • लेख की मुख्य प्रमेय सरल है: शारीरिक AI अभी भी "एक-बार प्रोजेक्ट" पर आधारित है। • FluxVLA, data conversion, model interfaces, training, evaluation, and deployment को मानकीकृत करने का प्रयास करता है, taki teams environment setup aur interface rewrites पर talent burn na karein. • It reportedly supports Qwen-VL, GR00T, π-series, DreamZero, and even API-native approaches like GPT-6 Astra and MiniMax-M3.1-Flash. • Report में stated configs में, 13 में से 11 स्थानीय checkpoint strategies ne LIBERO पर 95% से अधिक average success achieve kiya; examples include DiT4DiT at 98.65% and π0.5 at 97.95%. 📌 वास्तविक-दुनिया robotics हिस्सा में engineering serious होता है • Inference speedups model weights change kiye bina achieved kiye gaye। • GR00T-style action heads ke liye, accelerated output ne cosine similarity 0.99999 se upar maintain kiya, jisme max absolute error lagbhag 0.02 tha। • Real-time chunk coordination mechanism aur trajectory post-processing ko action continuity ko smooth karne aur physical constraints ko satisfy karne ke liye introduce kiya gaya। • LimX Oli पर, π0.5 ne box-moving task ke pehle 3 stages ko 61.67% time पूरा kiya, aur sabhi 4 stages ko 33.33% time — useful kam bragging rights ke roop mein, zyada bottleneck map ke roop mein। 📌 Human-in-the-loop flywheel ho sakta hai, footnote nahi • System robot execution ke dauran seamless human takeover support karta hai, automatic correction-data collection aur reward annotation ke saath। • ALOHA पर 8-चरणों wale towel-folding task mein: – Behavior cloning baseline: 62.1% – SARM reward modeling ke saath: 78.5% – ARM advantage-weighted behavior cloning ke saath: 99.4% • Throughput bhi 18 episodes/hour se badhkar 32 episodes/hour ho gaya। मुझे क्या lagta hai? Is poori piece ka sabse tez point "hamara benchmark bada hai" nahi hai। Yeh hai ki embodied AI ek pure model race se pehle ek infra race ban sakta hai। Agar har naya policy stack rebuild karna padta hai, toh industry progress par tax pay karti rehti hai। Agar infra modular, reusable aur boring (best tareeke se) ho jata hai, toh interesting hissa finally shuru hota hai। Aur yeh sawal hai jo main chhodna chahta hoon: jab frontier models interchangeable ho jaate hain, toh defensibility asli taur par kahan rehti hai—model mein, robot body mein, ya dono ke peeche wale data-and-deployment flywheel mein?