[TL;DR Harian] Saya sudah cukup melihat teater infrastruktur untuk mengetahui perbezaan antara demo benchmark dan tatanan pengeluaran sebenar. Artikel ini berhujah bahawa AI berbadan mungkin tidak akan terhenti pada kecerdasan model seterusnya—tetapi pada lapisan kejuruteraan yang kacau yang mengubah ramalan token menjadi tindakan fizikal yang stabil. Dan jujur? Itu bahagian yang semua orang suka meremehkan. 📌 Mengapa ini penting sekarang • Artikel ini merangka kemungkinan “masa ChatGPT” untuk AI berbadan sebagai titik apabila model umum seperti GPT-6 Astra boleh mengawal robot melalui satu baris API. • Berita baik: kemampuan model asas masih terus mempercepat. • Berita buruk: infrastruktur berbadan tertinggal, yang bermakna model yang lebih kuat hanya mempercepatkan pendedahan kelemahan tatanan pelaksanaan. 📌 Apa yang ditambahkan oleh FluxVLA Engine v2 • Penilaian simulasi yang diperluaskan: 14 polisi pada benchmark tertutup LIBERO yang seragam, ditambah integrasi 8 polisi di RoboCasa GR-1, RoboTwin, dan RoboDojo. • Pengoptimuman inferens di antara 8 gabungan model-peranti meningkatkan frekuensi sebanyak 2.31x hingga 9.64x. • Pelaksanaan peranti sebenar telah disahkan dari checkpoint hingga pelaksanaan tertutup pada ALOHA, Rebot, Franka dua lengan, dan manusia LimX Oli. 📌 RL dalam talian benar-benar membuat perbezaan • Menggunakan SmolVLA sebagai contoh, selepas penyesuaian halus RL dalam talian: – Kadar kejayaan LIBERO-10 meningkat sebanyak 10.0 peratus. – RoboTwin Clean meningkat sebanyak 15.4 peratus. • Lebih khusus, selepas 40 lelaran luar: – LIBERO-10 meningkat dari 66.2% kepada 76.2%. – RoboTwin Clean meningkat dari 45.9% kepada 61.3%. • Terjemahan: walaupun model yang lebih kecil boleh menghasilkan keuntungan mengejutkan sekali mereka berhenti menjadi pembelajar tiruan tulen dan mula berinteraksi dengan persekitaran. 📌 Standardisasi adalah kuasa senyap • Tesis utama artikel ini ringkas: AI berbadan masih terlalu “projek satu-satu”. • FluxVLA cuba menstandardkan penukaran data, antaramuka model, latihan, penilaian, dan pelaksanaan supaya pasukan tidak membazir bakat pada pengaturan persekitaran dan penulisan semula antaramuka. • Ia dilaporkan menyokong Qwen-VL, GR00T, siri π, DreamZero, dan pendekatan asli API seperti GPT-6 Astra dan MiniMax-M3.1-Flash. • Dalam konfigurasi yang dinyatakan dalam laporan, 11 daripada 13 strategi checkpoint tempatan mencapai lebih daripada 95% kejayaan purata di LIBERO; contohnya DiT4DiT pada 98.65% dan π0.5 pada 97.95%. 📌 Bahagian robotik dunia nyata adalah di mana kejuruteraan menjadi serius • Peningkatan kelajuan inferens dicapai tanpa mengubah berat model. • Untuk kepala tindakan gaya GR00T, output yang dipercepat dilaporkan mengekalkan kesamaan kosinus di atas 0.99999, dengan ralat mutlak maksimum sekitar 0.02. • Mekanisme koordinasi bahagian masa nyata ditambah bersama pemprosesan semula trajektori untuk menghaluskan kesinambungan tindakan dan memenuhi sekatan fizikal. • Di LimX Oli, π0.5 menyelesaikan 3 peringkat pertama tugas menggerakkan kotak sebanyak 61.67% kali, dan semua 4 peringkat sebanyak 33.33% kali—berguna bukan sebagai pencapaian sombong, tetapi sebagai peta bottleneck. 📌 Manusia dalam lingkaran mungkin adalah roda pemutar, bukan catatan kaki • Sistem ini menyokong pengambilalihan manusia secara lancar semasa pelaksanaan robot, dengan pengumpulan data koreksi automatik dan anotasi ganjaran. • Dalam tugas melipat tuala 8 peringkat di ALOHA: – Baseline peniruan tingkah laku: 62.1% – Dengan pemodelan ganjaran SARM: 78.5% – Dengan peniruan tingkah laku berbobot kelebihan ARM: 99.4% • Throughput juga meningkat dari 18 episod/jam kepada 32 episod/jam. Apakah pendapat saya? Titik paling tajam dalam keseluruhan artikel ini bukanlah “benchmark kami lebih besar.” Ia adalah bahawa AI berbadan mungkin akan menjadi perlumbaan infrastruktur sebelum menjadi perlumbaan model tulen. Jika setiap polisi baru bermaksud membina semula tatanan, industri terus membayar cukai terhadap kemajuan. Jika infrastruktur menjadi modular, boleh digunakan semula, dan membosankan—dalam cara terbaik—maka bahagian menarik akhirnya bermula. Dan inilah soalan yang saya tinggalkan: apabila model hadapan menjadi saling boleh ditukar, di manakah pertahanan benar-benar berada—dalam model, badan robot, atau roda pemutar data-dan-pelaksanaan di belakang keduanya?
