[TL;DR Щоденно] Я бачив достатньо інфраструктурного театру, щоб розрізняти демонстрацію на тестових даних і справжній продуктивний стек. Ця стаття стверджує, що наступним обмеженням для ембодід-ІІ може стати не інтелект моделі, а складна інженерна шар, який перетворює передбачення токенів на стабільні фізичні дії. І чесно? Це та частина, яку всі люблять недооцінювати. 📌 Чому це важливо зараз • Стаття описує можливий «ChatGPT-момент» для ембодід-ІІ як момент, коли загальна модель, наприклад GPT-6 Astra, зможе керувати роботами через один рядок API. • Добрий новини: здатність фундаментальних моделей продовжує прискорюватися. • Погані новини: інфраструктура для ембодід-ІІ відстає, що означає, що потужніші моделі лише швидше виявляють слабкості стеку розгортання. 📌 Що додає FluxVLA Engine v2 • Розширена симуляційна оцінка: 14 політик на єдиному закритому циклі LIBERO, плюс інтеграція 8 політик у RoboCasa GR-1, RoboTwin і RoboDojo. • Оптимізація висновку для 8 комбінацій модель-пристрій: частота зросла в 2,31–9,64 рази. • Підтверджено реальне розгортання на апаратному забезпеченні: ALOHA, Rebot, двохрукавна Franka та людиноподібний LimX Oli — від чекпоїнта до закритого циклу. 📌 Онлайн-RL справді змінив ситуацію • На прикладі SmolVLA після тонкої настройки онлайн-RL: – Успішність LIBERO-10 зросла на 10,0 процентних пункта. – RoboTwin Clean — на 15,4 процентних пункта. • Більш конкретно, після 40 зовнішніх ітерацій: – LIBERO-10 з 66,2% до 76,2%. – RoboTwin Clean з 45,9% до 61,3%. • Переклад: навіть менші моделі можуть досягти дивовижних результатів, коли перестають бути лише імітаційними навчальниками і починають взаємодіяти з середовищем. 📌 Стандартизація — тихий суперсила • Основна теза статті проста: ембодід-ІІ все ще надто залежить від «проект-специфічних» підходів. • FluxVLA намагається стандартизувати перетворення даних, інтерфейси моделей, навчання, оцінку та розгортання, щоб команди не витрачали таланти на налаштування середовищ та переписування інтерфейсів. • За повідомленнями, підтримує Qwen-VL, GR00T, π-series, DreamZero та навіть API-орієнтовані підходи, як GPT-6 Astra і MiniMax-M3.1-Flash. • У зазначених конфігураціях звіту 11 із 13 локальних стратегій чекпоїнтів досягли середньої успішності понад 95% на LIBERO; приклади: DiT4DiT — 98,65%, π0.5 — 97,95%. 📌 Реальна робототехніка — там, де інженерія стає серйозною • Прискорення висновку досягнуто без зміни ваг моделей. • Для action heads типу GR00T прискорений вихід зберег косинусну подібність вище 0,99999, з максимальною абсолютною похибкою близько 0,02. • Введено механізм координації у реальному часі та пост-обробку траєкторій для плавності дій та задоволення фізичних обмежень. • На LimX Oli π0.5 успішно виконав перші 3 етапи завдання з переміщення коробки 61,67% часу, а всі 4 етапи — 33,33% часу — це корисно не як хвастощі, а як карта обмежень. 📌 Людина у циклі може бути не додатком, а рушієм • Система підтримує плавний перехід на керування людини під час виконання роботом, автоматичний збір даних для корекції та анотацію нагород. • У завданні складання рушника з 8 етапами на ALOHA: – Базовий метод клонування поведінки: 62,1% – З SARM-моделюванням нагород: 78,5% – З ARM-ваговим клонуванням поведінки: 99,4% • Пропускна здатність зросла з 18 епизодів/годину до 32 епизодів/годину. Що я думаю? Найгостріша точка всього цього тексту — не «наш бенчмарк більший». А те, що ембодід-ІІ може стати гонкою інфраструктури, перш ніж гонкою моделей. Якщо кожна нова політика означає перебудову стеку — галузь продовжує платити податок за прогрес. Якщо інфраструктура стане модульною, повторно використовуваною і нудною — у найкращому сенсі — тоді справжнє цікаве почнеся. І ось питання, яке я залишаю без відповіді: коли передові моделі стануть взаємозамінними, де справжня захистність — у моделі, у туллому робота чи у системному «лабораторному» циклі даних і розгортання за ними?
