[TL;DR Harian] Saya sudah cukup sering melihat pertunjukan infrastruktur untuk memahami perbedaan antara demo benchmark dan stack produksi nyata. Tulisan ini berargumen bahwa AI berwujud mungkin tidak akan terhambat oleh kecerdasan model berikutnya—tetapi oleh lapisan teknis yang kacau yang mengubah prediksi token menjadi tindakan fisik yang stabil. Dan jujur? Ini adalah bagian yang selalu diremehkan semua orang. 📌 Mengapa ini penting sekarang • Artikel ini menggambarkan kemungkinan “moment ChatGPT” untuk AI berwujud sebagai titik ketika model umum seperti GPT-6 Astra dapat mengendalikan robot melalui satu baris API. • Kabar baik: kemampuan model dasar masih terus mempercepat. • Kabar buruk: infrastruktur berwujud tertinggal, yang berarti model yang lebih kuat hanya mempercepat terungkapnya kelemahan stack penyebaran. 📌 Apa yang ditambahkan FluxVLA Engine v2 • Evaluasi simulasi diperluas: 14 kebijakan pada benchmark tertutup LIBERO terpadu, ditambah integrasi 8 kebijakan di RoboCasa GR-1, RoboTwin, dan RoboDojo. • Optimasi inferensi pada 8 kombinasi model-perangkat meningkatkan frekuensi sebesar 2,31x hingga 9,64x. • Penyebaran perangkat keras nyata telah diverifikasi dari checkpoint hingga eksekusi tertutup pada ALOHA, Rebot, Franka dual-arm, dan humanoid LimX Oli. 📌 RL daring benar-benar membuat perubahan • Menggunakan SmolVLA sebagai contoh, setelah fine-tuning RL daring: – Tingkat keberhasilan LIBERO-10 meningkat sebesar 10,0 poin persentase. – RoboTwin Clean meningkat sebesar 15,4 poin persentase. • Lebih spesifik, setelah 40 iterasi outer-loop: – LIBERO-10 naik dari 66,2% menjadi 76,2%. – RoboTwin Clean naik dari 45,9% menjadi 61,3%. • Artinya: bahkan model yang lebih kecil bisa menghasilkan peningkatan mengejutkan begitu mereka berhenti menjadi pembelajar imitasi murni dan mulai berinteraksi dengan lingkungan. 📌 Standardisasi adalah kekuatan diam-diam • Tesis utama artikel ini sederhana: AI berwujud masih terlalu didorong oleh proyek “one-off”. • FluxVLA berusaha menyatukan konversi data, antarmuka model, pelatihan, evaluasi, dan penyebaran agar tim tidak lagi menghabiskan bakat untuk pengaturan lingkungan dan penulisan ulang antarmuka. • Dilaporkan mendukung Qwen-VL, GR00T, seri π, DreamZero, bahkan pendekatan berbasis API seperti GPT-6 Astra dan MiniMax-M3.1-Flash. • Dalam konfigurasi yang disebutkan dalam laporan, 11 dari 13 strategi checkpoint lokal mencapai rata-rata keberhasilan lebih dari 95% di LIBERO; contohnya DiT4DiT sebesar 98,65% dan π0.5 sebesar 97,95%. 📌 Bagian robotika dunia nyata adalah tempat teknik menjadi serius • Peningkatan kecepatan inferensi dicapai tanpa mengubah bobot model. • Untuk head tindakan gaya GR00T, output yang dipercepat dilaporkan mempertahankan kesamaan kosinus di atas 0,99999, dengan kesalahan absolut maksimum sekitar 0,02. • Mekanisme koordinasi chunk real-time ditambahkan dengan pemrosesan jalur pasca untuk merapikan kontinuitas tindakan dan memenuhi batasan fisik. • Pada LimX Oli, π0.5 menyelesaikan 3 tahap pertama tugas memindahkan kotak sebanyak 61,67% kali, dan semua 4 tahap sebanyak 33,33% kali—lebih berguna sebagai peta bottleneck daripada sekadar pencapaian. 📌 Human-in-the-loop mungkin adalah roda penggerak, bukan catatan kaki • Sistem mendukung pengambilalihan manusia secara mulus selama eksekusi robot, dengan pengumpulan data koreksi otomatis dan anotasi reward. • Dalam tugas melipat handuk 8 tahap di ALOHA: – Baseline behavior cloning: 62,1% – Dengan pemodelan reward SARM: 78,5% – Dengan behavior cloning advantage-weighted ARM: 99,4% • Throughput juga meningkat dari 18 episode/jam menjadi 32 episode/jam. Apa pendapat saya? Poin paling tajam dalam keseluruhan tulisan ini bukanlah “benchmark kami lebih besar.” Melainkan bahwa AI berwujud mungkin akan menjadi perlombaan infrastruktur sebelum menjadi perlombaan model murni. Jika setiap kebijakan baru berarti membangun ulang seluruh stack, industri terus membayar pajak atas kemajuan. Jika infrastruktur menjadi modular, dapat digunakan kembali, dan membosankan—dalam cara terbaik—maka bagian yang menarik akhirnya dimulai. Dan inilah pertanyaan yang ingin saya tinggalkan: ketika model frontier menjadi saling dapat ditukar, di mana daya tahan benar-benar berada—di model, tubuh robot, atau roda penggerak data-dan-penyebaran di belakang keduanya?