1Ռազմավարությունների ուսուցում և VLA-ներ

Գնահատում՝ LIBERO-ի 40 առաջադրանք × 50 դրվագ (episodes) (98.0% միջին, ամենաբարձրը համեմատված մեթոդների մեջ), LIBERO-Plus խաթարումներ՝ չորս առանցք × հինգ խստության մակարդակ, և իրական Franka-ի չորս առաջադրանք՝ յուրաքանչյուրը 20 դրվագով։ Գործարկումը (inference) L40S-ի վրա 15 Հց-ից դառնում է 55 Հց, իսկ կատարման 30 հորիզոնի դեպքում թողունակությունը գումարվում է մինչև 11×. իրական մանիպուլյատորի վրա չափված պրոպրիոցեպտիվ ցնցումը (jerk) նվազում է 2.2–3.0×։ Կարևոր պնդումը կայունությանն է վերաբերում. OpenVLA-OFT-ի L1 գլուխը կտրուկ վատթարանում է LIBERO-Plus-ի խստության աճի հետ, մինչդեռ IMLE-VLA-ն հետևում է π0.5-ին։ Թույլ կողմերը՝ 98%-ով LIBERO-ն հագեցած չափիչ գործիք է, իսկ LIBERO-Plus-ի կորերը կարդացվում են գծապատկերից, ոչ թե աղյուսակից։ Կոդը հրապարակված է. սառեցված 3B հիմնական ցանցի վրա միայն գլխի ուսուցումը սա լիովին դնում է մեկ GPU-ի հնարավորությունների սահմաններում։

Վերահսկվող թիվը՝ ContextFlow-Plain-ը 10.5 տ.կ.-ով գերազանցում է համապատասխանեցված ավտոռեգրեսիվ ելակետային մոդելին (baseline), որը կառուցված է π0-ի նույն սկզբնավորման վրա. սեղմիչների ավելացումը տալիս է ևս 9.5 տ.կ.՝ հասնելով 73.5%-ի չտեսնված LIBERO կոնֆիգուրացիաներում՝ ընդդեմ 53.5%-ի։ Այն հավասարվում է յուրաքանչյուր չտեսնված առաջադրանքից մեկ ցուցադրումով լրաուսուցված (fine-tuned) π0-ին (73.5 ընդդեմ 72.5-ի)՝ ընդհանրապես առանց լրաուսուցման։ Հետագծի կուտակային MSE-ն նվազում է 4.7 → 3.0 → 2.2 մ²։ Թույլ կողմերը՝ ընդհանրացումը նույն պրիմիտիվների ներսում չտեսնված կոնֆիգուրացիաների վրա է, ինչը հեղինակներն անկեղծորեն նշում են. իրական ALOHA արդյունքները 10 փորձ են յուրաքանչյուր բջջի համար (լավագույն բջիջը՝ 6/10). իսկ LIBERO-ի չորս խմբերի (suites) վրա ուսուցումը LIBERO-Goal-ը և LIBERO-10-ը թողնում է 0.0%-ի վրա, մինչև չավելացվի LIBERO-90-ը։ Կոդ նշված չէ։

Արժե նշել որպես ուղղություն. համատեքստային հարմարվում առանց թեստի ժամանակ գրադիենտների թեման այս ժամանակահատվածում ստացավ չորս աշխատանք՝ ContextFlow, ICI-VLA (DTW-ով որոնված միկրոցուցադրումներ՝ սառեցված տեքստ–գործողություն VLA-ի մեջ, RoboTwin՝ 60.4%, իրական աշխարհ՝ 83.2%՝ ~1 000 փորձում), վարքային հուշումով ստուգակետեր LIBERO-ի վրա և 2AM։ Իսկ առցանց RL իրական սարքավորման վրա թեման ստացավ երկու՝ VLA-Precision (բացարձակ Q-ի փոխարեն հարաբերական առավելություն, սառեցված նախածանցի KV-ի վերօգտագործում, 98.3% ինքնաշեն ինը քիմիական առաջադրանքում. հեղինակների սեփական հենանիշ, կոդ չկա) և ստորև ներկայացված WHIRL-ը։

2Մանիպուլյացիա, ճարպկություն և զգայում

Թվերը՝ ~18 վ սցենարային գրգռում, ապա հարթության մեջ 0.62 ± 0.12 մմ միջին սխալ օդում 22 գործարկման ընթացքում և 0.67 ± 0.08 մմ թղթի վրա 16 գործարկման ընթացքում (p95 ≈ 1.4 մմ երկու դեպքում էլ), միասին՝ 0.64 ± 0.10 մմ n=38-ի վրա։ Մեկ անընդհատ 31 րոպեանոց գործարկման ընթացքում գրվեցին բոլոր 26 տառերը, և պատուհանային միջինները մնացին 0.59-ի և 0.69 մմ-ի միջև՝ առանց աճի միտման. «K» տառի ժամանակ ~20 մմ շեղումը վերականգնվեց նույն տառի ներսում՝ առանց վերագրգռման։ Հոդվածի իրական ներդրումն աբլյացիաներն (ablations) են. յակոբյանը գրգռումից անմիջապես հետո սառեցնելը տարամիտում է 3 գործարկումից 2-ում, գրելու 12 վ-ից հետո սառեցնելը՝ 2-ից 1-ում, իսկ ~30 վ-ից հետո սառեցնելը պահպանում է ելակետային ճշգրտությունը 4-ից 4-ում. այսինքն՝ գրգռման փուլն ինքնին օգտագործելի քարտեզ չի տալիս, իսկ մոտ կես րոպե աշխատանքի ընթացքում հարմարվելը՝ տալիս է։

Թույլ կողմերը, որոնց մեծ մասը հեղինակներն իրենք են նշում. կառավարվում է միայն հարթության (x,y) շարժումը, իսկ 2–3 մմ չկառավարվող z շեղումը կլանվում է թուղթը միտումնավոր ուռուցիկ դարձնելով, ուստի համակարգը չի կարող գրել կոշտ մակերեսի վրա կամ բազմահարված տառեր գրել. տառերի միջև մանիպուլյատորը վերադիրքավորվում է. հպման ընդհատումով շարժումները (վերաբռնում, մատների քայլք) ձևակերպումից դուրս են. գրելը կատարվում է 8×10⁻⁴ մ/վ արագությամբ, և նույնիսկ 2× արագացումն անհուսալի է. և՝ ամենակարևորը, որը պետք է զսպի վերնագրի ոգևորությունը, յուրաքանչյուր հաղորդված սխալ չափվում է նույն տեսողական խողովակաշարով, որը փակում է կառավարման շղթան, առանց թղթին մնացած թանաքի անկախ չափման։ Սիմուլյացված Shadow Hand-ի (0.17 մմ RMSE) և Wuji Hand 2-ի (1.48 մմ) գործարկումները կառավարում են բոլոր երեք կոորդինատները, բայց ունեն առանց աղմուկի իրական արժեքներ։ Մեկ լաբորատորիա, չվերարտադրված։ Փորձելու արժեքը՝ ORCA ձեռք, վեբ-տեսախցիկ և նոութբուքի պրոցեսոր։

Հինգ իրական առաջադրանք Flexiv Rizon 4-ի վրա՝ երկու InTac S1 մատնածայրային սենսորով, յուրաքանչյուր առաջադրանքի համար յուրաքանչյուր մեթոդով 20 փորձ։ Միայն տեսողությամբ հիմնական մոդելը՝ 22% → 64%. ամենաուժեղ ելակետը (T-Rex)՝ 48%։ Մաքուր աբլյացիան քեշն է. նույն հիմնական մոդելը, նույն ուղղիչը, նույն շոշափողական մուտքը, պարամետրերի նույն քանակը, հեռացված է միայն ուշադրությունը քեշավորված կանխատեսված շոշափողական տվյալին՝ 47% ընդդեմ 64%-ի։ Միայն շոշափողական կանխատեսման ավելացումը տալիս է 22% → 37%, այսինքն՝ շահույթի մեկ երրորդը։ Մեկ ուղղումը տևում է 30.4 մվ՝ ընդդեմ փաթեթը վերագեներացնելու 628.6 մվ-ի։ Օժանդակ ախտորոշումը լավն է. հպման անցումները կադրերի 4.9%-ն են, բայց շոշափողական ընդհանուր փոփոխության 18.6%-ը, ուստի ապագա տեսքի վերակառուցման կորստի ֆունկցիայում գերիշխում են այն կադրերը, որտեղ ոչինչ չի կատարվում։ Առանց սպասումի ռեակտիվ ուղղումն իրականում իջնում է միայն տեսողության մակարդակից ցածր վնասվածքով գնահատվող երկու առաջադրանքում. ապացույց, որ առանց նախնական գիտելիքի հպման հետադարձ կապը կարող է ճիշտ պլանը շեղել։

Զգայման երկու արդյունք, որոնք արժանի են տեղի։ X-Hinges (գրախոսված, UIST ‘26, MIT CSAIL + Tianjin) միասին տպում է երկու հաղորդիչ թել, որոնց տեսակարար դիմադրությունները տարբերվում են երեք կարգով (1.23×10⁴ ընդդեմ 8.75 Օմ·սմ-ի), Lamina Emergent Torsional ճկուն հոդի մեջ, այնպես որ բարձր դիմադրությամբ տարրը կրում է ձևափոխության ազդանշանը, մինչդեռ հաղորդուղիները աննշան աղմուկ են ավելացնում, իսկ ոչ հաղորդիչ TPU մարմինը մեկուսացնում է մաշկի հպումը։ Յուրաքանչյուր առանցքի դիֆերենցիալ դասավորությունները Ուիթսթոնի կամրջի տրամաբանությունն իրականացնում են տպված երկրաչափությամբ. առանցքների միջև խաչաձև միջամտությունը՝ մինչև 8.2%. կամրջի լայնությունը կարգավորում է կոշտությունը երկու կարգի սահմաններում (մինչև 470×). 420 000 ցիկլ 233 ժամում՝ 5.5%-ից պակաս դիմադրության շեղումով. շերտերի վերադրմամբ թելերի միացումը 22.3 կՕմ է՝ ընդդեմ ծայրից ծայր հպման 952 կՕմ-ի։ Անհրաժեշտ են բազմանյութ FDM տպիչ և հատուկ տրանսիմպեդանսային նախնական մշակման սխեմա (ADS1256, 50 Հց/ալիք, 0.1–100 ՄՕմ). CAD-ը և ծրագրակազմը խոստացված են բաց կոդով հրապարակել գրախոսությունից հետո։ TacClip (պրեպրինտ, Stanford, Cutkosky lab) Fiber Bragg Grating սենսորն ամրացնում է մատնածայրի վրայով, այնպես որ մատի բարձիկը բաց է մնում. հպման բեռները հյուսվածքը կողքից ուռեցնում և ծռում են ամրակը։ Ուժի մեծության սխալը սովորաբար 0.5 Ն-ից պակաս է 0–8 Ն միջակայքում, 2 կՀց նմուշառում, հարթ արձագանք մինչև ~20–30 Հց (ցածր հաճախությունների ֆիլտրը մատն է, ոչ թե FBG-ն), և այն աշխատում է ջրի տակ։ ~$2 տպված ամրակի համար և ~$20 յուրաքանչյուր մատի սենսորային գլխիկի համար՝ չհաշված օպտիկական հարցախույզ սարքը (interrogator), որտեղ էլ իրական ծախսն է։ Այն գնահատում է ‖f‖-ը, ոչ թե նորմալ ուժը. մեկ FBG-ն առանցքներն իրարից չի անջատում։

3Հարթակներ և մարմնավորում

Մարդանման ռոբոտներ արտադրող ոչ մի ընկերություն կրկին մեթոդ չհրապարակեց՝ երրորդ անընդմեջ ժամանակահատվածում։ Ամենամոտն Unitree-ն էր, որը Hub-ում տեղադրեց UnifoLM-ER-1-ը՝ Apache-2.0 լիցենզիայով Qwen3-VL-4B մարմնավորված դատողական մոդել (reasoner), որն ուսուցանվել է տարածական դատողության և մարմնավորված 5 մլն+ նմուշի վրա և առաջատար է բաց մոդելների մեջ 16 հենանիշից 7-ում (93.4 BLINK, 88.9 EmbSpatial, 82.0 Where2Place), գումարած օպտիկական հոսքի տիրույթների կանխատեսիչ։ 6B գործողությունների մոդելը դեռ նշված է որպես սպասվող։ Այսպիսով՝ դատողական մոդել, ոչ թե ռազմավարություն։

Այս շաբաթ հարթակների շերտում մնացած ամեն ինչ արտադրություն և ֆինանսներ էին։ XPENG-ը մեկնարկեց IRON-ի զանգվածային արտադրությունը՝ 2 250 TOPS սեփական արտադրության երեք Turing չիպերում, >80% գծի ավտոմատացում, մատակարարման շղթայի 85% համընկնում իր էլեկտրամեքենաների բիզնեսի հետ, 110 000 մ² Գուանչժոուում, ցուցասրահներում տեղակայում 2026 թ. 4-րդ եռամսյակում և կորպորատիվ առաքում 2027-ին։ Ոչ գնահատում, ոչ մեթոդ, ոչ ռազմավարության բացահայտում. պնդումը, թե ռոբոտները գծից դուրս են գալիս ինքնուրույն, մամլո հաղորդագրության մակարդակի ապացույց է։ Nucleus-ը Nucleus II-ում հրաժարվեց երկոտանի ոտքերից՝ հօգուտ անվավոր հենքի՝ գործարանային արձագանքից հետո. մատակարարի պատմություն, առանց տվյալների, բայց անվավոր երկձեռ ուղղության երկրորդ տվյալը երկու շաբաթում՝ Nori-ից հետո։

Մարդանման ռոբոտների ակադեմիական աշխատանքներ կան, բայց չեմ կարող երաշխավորել դրանց համար. TANGO (ամբողջ մարմնով նավիգացիայի VLA, միայն սիմուլյացիա), CAP (խորության աղմուկազերծում վատթարացած ընկալմամբ G1-ի տեղաշարժի համար, n=5 իրական փորձ, միայն նախագծի էջ), ViBe, տեղաշարժ հատիկավոր տեղանքում։ Բոլորը պրեպրինտներ, բոլորը գնահատված ամփոփումներից, ոչ մեկում կոդ նշված չէ։ ROS Discourse-ում 2026-09-10-ին հայտարարվեց Bimo անունով ROS 2 բաց երկոտանի հավաքածու. չստուգված է, և դրա համար կայուն մշտական հղում չունեմ։

4Բաց կոդ և գործիքներ

Վերացված խոչընդոտների առումով սա W35-ից ի վեր լավագույն շաբաթն է։

LeRobot v0.6.1՝ առաջին թողարկումը ապրիլի v0.5.1-ից ի վեր և առաջինը NVIDIA/Hugging Face գործարքից հետո։ Էական փոփոխությունը վերին հոսքի (upstream) Transformers-ի վրա համախմբումն է. Wall-X-ն այժմ ժառանգում է բնիկ Qwen2.5-VL-ը, իսկ XVLA-ն՝ բնիկ Florence2-ը, և VLA-ի ընդհանուր բաղադրիչները կիսվում են PI0/PI05/EO1/PI0-Fast/SmolVLA մոդելների միջև։ Դիֆուզիոն ռազմավարության ուսուցումը ստանում է գրադիենտների ստուգակետավորում (gradient checkpointing). PI0-Fast-ի ապակոդավորիչը կանգ է առնում գործողության ավարտի նշիչի վրա. տվյալների հավաքածուների վիճակագրությունն այժմ կադրերի ենթանմուշառում է անում՝ հիշողությունը սահմանափակելու համար. հոսքային տվյալների հավաքածուներն աջակցում են bucket-ներ և մասնավոր պահոցների թոքեններ։ Սարքավորում՝ RealSense-ի ձեռքով լուսակայում/ուժեղացում/սպիտակի հավասարակշռություն, Dynamixel-ի երեք նոր մոդել (XH540-W150, XC330-T288, XC330-T181), Feetech-ի ժամանակավոր դողի սխալների դեպքում կրկնափորձ։ Համատեղելիությունը խախտող փոփոխություն՝ lerobot.types → lerobot.lerobot_types։

MuJoCo 3.13.0 (2026-09-08)՝ տարվա ամենանշանակալի սիմուլյատորային փոփոխությունը բոլոր նրանց համար, ովքեր աշխատում են ջլերի կամ կոշտ շարժաբերերի (actuators) հետ։ Նոր discrete ինտեգրատորը սահմանափակումների լուծումը և արագության անուղղակի թարմացումը միավորում է մեկ գործողության մեջ՝ հոդերի, ջլերի և շարժաբերերի կոշտությունն ու մարումը ներառելով լուծիչի արդյունավետ մետրիկայի մեջ. պասիվ զսպանակները և շարժաբերերի դիրքային ուժեղացումները կայուն են դառնում բացահայտ սահմանից շատ ավելի մեծ ժամանակային քայլերի դեպքում, իսկ հենց դա էր սերվո մոդելների վրա ստիպում 1 կՀց+ քայլեր։ Առանձին՝ էլիպսային կոներով Նյուտոնի լուծիչն այժմ կատարում է մեկ վերաֆակտորիզացիա՝ յուրաքանչյուր հպման համար ռանգ-1 թարմացումների փոխարեն, որտեղ դա ավելի էժան է. միաժամանակ սահող բազմաթիվ հպումներով տեսարաններն աշխատում են 1.4–2× արագ։ Գումարած հարթություն-ցանց բախումների վերաշարադրում, ցանցերին կապված կետեր (sites) և Python 3.15՝ ներառյալ free-threading։ Համատեղելիությունը խախտող փոփոխություն՝ 3.11.0-ի անուղղակի flex-ի արդյունավետ մետրիկայի հատուկ դեպքը հանված է. ազդված մոդելները պետք է անցնեն discrete-ի։

Genesis v1.4.0 (2026-09-06) և v1.4.1 (2026-09-12)։ v1.4.0-ի gs replay-ը տեսարանը և ամբողջական հետագիծն արտահանում է որպես մեկ ինքնուրույն արխիվ՝ մեկ այլ մեքենայի վրա բիթ առ բիթ ճշգրիտ կրկնարտադրմամբ. սա ամենաօգտակար բանն է սխալների մասին հաղորդումների և բոլոր նրանց համար, ովքեր փորձում են վերարտադրել ուրիշի սիմուլյացիոն արդյունքը։ v1.4.1-ը մեծ տեսարանների ծախսը դարձնում է կղզիների քանակից ենթագծային թե՛ CPU-ի, թե՛ GPU-ի վրա։ Նշում՝ GitHub-ի թողարկումների արտապատկերված էջերն իմ ներբեռնման ճանապարհով վերադարձնում են ակնհայտորեն սխալ ամսաթվեր (v0.6.1-ը վերադարձավ որպես «August 3, 2024», Genesis v1.4.1-ը՝ «September 12, 2024»). ստուգել եմ պիտակները, իսկ ամսաթվերը վերցված են թողարկումների API-ից։

Նաև հրապարակվեցին՝ FARM՝ 33 985 պարամետրով վերահսկվող ընթերցիչ (readout) սառեցված VLA-JEPA կանխատեսողական վիճակների վրա, որը ձախողումները հայտնաբերում է յուրաքանչյուր քայլում, 85.68/88.59 միավորված AUROC/AUPRC յոթ աղբյուր առաջադրանքում՝ հնգապատիկ out-of-fold գնահատմամբ, Seen դեպքում լավագույն արդյունքը 15 համապատասխանեցված ելակետի մեջ, 0.2256 մվ միջին CUDA ուշացում, և իրական ռոբոտի վրա փոխանցում՝ ստուգված PIPER X-ի, SO-101-ի և Franka-ի վրա (պրեպրինտ)։ Առանց լրացուցիչ ուսուցման փոխանցումը միատարր չէ. ընթերցիչի ծագումը հսկայական նշանակություն ունի (41.35 ընդդեմ 84.70 AUROC-ի PIPER X-ի նույն պոպուլյացիայի վրա՝ կախված նրանից, թե որ աղբյուր պոպուլյացիան է ուսուցանել ընթերցիչը), բայց միայն ընթերցիչի հարմարեցումը հասնում է 98.48-ի։ HuRo-ն հրապարակում է ~630 հազ. ռոբոտացված դրվագ / 142 մլն կադր / ~1 317 ժամ, որոնք ստեղծվել են հինգ էգոկենտրոն կորպուսներից մարդկանց «ջնջելով» (inpainting) և դրանց փոխարեն Isaac-Sim-ով արտապատկերված ռոբոտ տեղադրելով՝ IK-ով վերաթիրախավորված գործողություններով. կարևոր աբլյացիան այն է, որ մարդու սկզբնական դիտարկումները պահելը (գործողությունները՝ նույնպես վերաթիրախավորված) համընկնում է բաշխման ներսում, բայց բաշխումից դուրս կորցնում է 16.5 կետ։ Xiaomi-Robotics-U0-ն հրապարակում է Apache-2.0 լիցենզիայով 4B և Sequence ստուգակետեր 34B ընտանիքից՝ գումարած VisionTokenizer, բայց քարտում ասվում է, որ ուսուցման կոդը «կավելացվի ապագա թողարկումում», ինչը հակասում է այն հաղորդումներին, թե ուսուցման կոդը բացվել է։ Նշված է որպես հակասական. կշիռներն իրական են, ուսուցման կոդը դեռ չկա։

Տվյալների շերտի նյութեր մեկ մանիպուլյատորի մասշտաբով՝ RobotArena360-ի ակտիվներ (DROID-ի 22 իրական տեսարան՝ որպես փոխազդելի Gaussian-splat երկվորյակներ՝ բախման ցանցերով և չափաբերմամբ, CC-BY-4.0), 1 530 դրվագից / 440 967 կադրից բաղկացած իրական UR5 + Robotiq եռամատ հավաքածու Apache-2.0 լիցենզիայով, LIBERO-90-ը՝ վերափաթեթավորված LeRobot v3.0-ի (առանց քարտի), և LoRA ադապտեր lerobot/pi05_base-ի վրա՝ SO-101-ով բլոկներ դարսելու համար։

5Փող և գործարքներ

Նաև՝ ARM Institute՝ ~$90 մլն ռազմական արտադրության ռոբոտաշինության տասը նախագծի համար, Swarmer-ը ձեռք է բերում Ratel Robotics-ը մինչև $224 մլն-ով (պաշտպանական UGV), Enovis/eCential՝ ~$245 մլն (վիրաբուժական), Teradyne-ը դատի է տալիս JAKA-ին Universal Robots-ի երեք արտոնագրի համար, և Boston Dynamics-ի վետերանները հիմնում են Dynamic Creatures-ը՝ կերպարային ռոբոտաշինության համար։ եզրահանգում շաբաթվա միաձուլումներից և ձեռքբերումներից (M&A) ոչ մեկը չի առնչվում ռոբոտների ուսուցմանը։ Վիրաբուժական և պաշտպանական համախմբման երեք անընդմեջ շաբաթ։

6Շաբաթվա խորը ընթերցումը

OpenWAM — ինչ է իրականում ժառանգում աշխարհ–գործողություն մոդելը, և չափման ինչ ճշգրտությամբ։ arXiv:2609.07398, պրեպրինտ, NUS + Tsinghua + PKU + HKU և ուրիշներ։ Կոդ, կշիռներ և տվյալների բաղադրատոմսեր։ Չվերարտադրված։ Մյուս թեկնածուն գրիչով գրելու հոդվածն էր, որը ներկայացված է վերևում. այն ավելի լավ արդյունք է, բայց ավելի փոքր մակերես. նրա աբլյացիաներն արդեն ամբողջական են և ազնիվ, և հետաքննելու բան քիչ է մնացել։

Փորձի կառուցվածքը։ WAM-ը ժառանգում է տեսանյութ գեներացնող նախնական գիտելիքը (priors) և այն ուղղում գործողությունների։ OpenWAM-ը դա բաժանում է երեք փոխարինելի մոդուլային դասի՝ տեսողական կոդավորիչ (encoder) E, հոսքերի հիմնական ցանցեր S, տեսանելիության ուշադրության դիմակ M, և կազմման կանոնի, որը հավաքում է վեց ճարտարապետություն մեկ-, երկ- և եռահամակարգային ընտանիքներում՝ հինգ տեսանյութային հիմնական ցանցերի վրա (Wan2.1-VACE-1.3B-ից մինչև Wan2.1-I2V-14B), չորս կոդավորիչի (Wan2.2-VAE, FLUX.2-VAE, DINOv3, V-JEPA 2.1՝ ըստ ցանկության S-VAE-ով սեղմված) և չորս միջմոդալ դիմակի (Isolated, Action-Sees-Video, Video-Sees-Action, Mutual)։ Վերահսկվող ուսումնասիրությունն անցկացվում է RoboTwin2.0-ի վրա Full և Clean2Random կարգավորումներում, որոնցից վերջինը տալիս է տիրույթի ներսի և տիրույթից դուրս առանձին բաժանումներ։ Մասշտաբավորված տարբերակը՝ OpenWAM-α-ն, նախաուսուցանվում է 518.5 մլն կադրի վրա (~6 369 ժ), որոնք ընտրված են 1.33 մլրդ կադրի չմշակված ավազանից. 30%՝ սեփական էգոկենտրոն մարդկային տեսանյութ (71.6 հազ. առաջին դեմքով ձայնագրություն, 3 006 առաջադրանք, գործողությունների ալիքներն ամբողջությամբ դիմակավորված, ուստի այն վերահսկում է միայն աշխարհի հոսքը), 40%՝ իրական ռոբոտ (AgiBotWorld-Beta, RoboCOIN, DROID) և 30%՝ սինթետիկ (InternData-A1), բոլորը 80-չափանի միասնական գործողությունների տարածության միջոցով՝ ֆիքսված սլոտային իմաստաբանությամբ և վավերականության դիմակավորմամբ։ Սիմուլյացիոն ութ հենանիշ՝ գումարած իրական մեկ մանիպուլյատորով, երկձեռ և ճարպիկ ձեռքով հարթակներ, ներառյալ 21-DoF Wuji ձեռքը, որը նախաուսուցման մեջ ընդհանրապես չկար։

Մեթոդը։ Այստեղ գրեթե ոչինչ նոր մեխանիզմ չէ։ Հոսքի համընկեցում, DiT տեսանյութային հիմնական ցանցեր, գործողությունների առանձին փորձագետ, հոսքերի միջև խառը ինքնաուշադրություն, ասինխրոն սպասարկում՝ բոլորը ժառանգված են։ Նորը հենց բաժանումն է. փոխկապակցված նախագծային ընտրությունները ներկայացնել որպես վերահսկվող փոփոխականներ և յուրաքանչյուր որոշում հաղորդել նախորդի ստեղծած պայմաններում։ Սա է ներդրումը, և այն իրական է. WAM-ների մասին գրականությունը մինչ օրս բաղկացած էր միաձույլ համակարգերից, որոնցում շահույթը հնարավոր չէր վերագրել որևէ բանի։

Կարևոր թիվը։ Ոչ թե որևէ հենանիշի արդյունք։ Դա նախաուսուցման շահույթի բաժանումն է RoboTwin2.0-Clean2Random-ում. +0.68 տ.կ. տիրույթի ներսում (87.0 → 87.68)՝ ընդդեմ +12.12 տ.կ.-ի տիրույթից դուրս (14.5 → 26.62)։ Մարմնավորված նախաուսուցումն այս ապացույցով գրեթե ամբողջությամբ OOD գնում է։ Երեք օժանդակ արդյունք. միայն ռոբոտային նախաուսուցումը տալիս է ամենաուժեղ արդյունքը տիրույթի ներսում, մինչդեռ էգո+ռոբոտ խառնուրդները՝ լավագույն OOD արդյունքը. մեկ փուլով համատեղ ուսուցումը հավասարվում է երկու փուլով հաջորդական ուսուցմանը և վերացնում ուսումնական ծրագրի անցումը. և՝ այն արդյունքը, որի վրա հոդվածը կառուցում է իր բաղադրատոմսը, նախընտրելի տեղեկատվական հոսքը նախաուսուցման հետ շրջվում է. RoboTwin-Full-ում զրոյից ուսուցման դեպքում Action-Sees-Video-ն առավելություն ունի 0.24 տ.կ.-ով, իսկ նախաուսուցումից հետո Mutual-ը՝ 0.16 տ.կ.-ով, Clean2Random-ում Mutual-ն առավելություն ունի 0.70 տ.կ.-ով (ID) և 0.72 տ.կ.-ով (OOD)։ Հոդվածը նաև հաղորդում է, որ WAM-ները բաշխման ներսում գերազանցում են VLA-ներին, մինչդեռ VLA-ներն ավելի լավ են ընդհանրացնում բաշխումից դուրս, և այդ անհամաչափությունը վերագրում է փոփոխված պայմաններում երկարաժամկետ պիքսելային կանխատեսման սխալների կուտակմանը։

Թույլ կողմերը։ Վերջնական բաղադրատոմսը որոշող շրջումը 0.16–0.72 տ.կ. է, 5B-ի և 14B-ի միջև հիմնական ցանցի ընտրությունը՝ 1.40 տ.կ., և ամբողջ ուսումնասիրության մեջ որևէ տեղ սերմեր, սխալի գծեր կամ կրկնություններ չեն հաղորդվում։ Մեկ շաբաթ առաջ MINERVA-ն համեմատելի հենանիշում չափեց ուսուցման սերմերից կախված ±1 կետի տիրույթ՝ ելակետային մոդելը երեք անգամ վերաուսուցանելով (94.60–96.75)։ OpenWAM-ի առաջ տարած յուրաքանչյուր որոշում այդ տիրույթից փոքր է։ Սա չի նշանակում, որ բաղադրատոմսը սխալ է. նշանակում է, որ հոդվածը ցույց չի տվել, որ այն ճիշտ է, և հարցը կլուծի հենց նրա իսկ հրապարակած ենթակառուցվածքը։ Երկրորդ՝ ութ հենանիշի արդյունքները բոլորը SFT-ից հետո են՝ յուրաքանչյուր հենանիշի համար առանձին խմբաքանակի չափերով և քայլերի քանակով (Աղյուսակ 10), ուստի դրանք առանց լրացուցիչ ուսուցման փոխանցման թվեր չեն։ Երրորդ՝ LIBERO-Plus-ի անոմալիան վերագրվում է մեկ մանիպուլյատորով նախաուսուցման ավելի նոսր խառնուրդին, բայց հոդվածն այլ տեղում պիքսելային վերակառուցման կոդավորիչներն անվանում է տեսանկյան և աղմուկի փոփոխությունների նկատմամբ անբավարար կայուն. երկու բացատրություն, մեկ տվյալների հավաքածու, ոչ մի փորձ, որը դրանք կտարանջատի։ Չորրորդ՝ իրական ռոբոտի ելակետերը միայն LingBot-VA-ն և π0.5-ն են։ Հինգերորդ, և անխուսափելի՝ 128 NVIDIA H200 ~7 օր, ~21 500 GPU-ժամ՝ ընդդեմ չհայտարարված բյուջեներով ուսուցանված ելակետերի։

Ինչ արժե փոխառել։ (1) Նախաուսուցման շահույթը հաղորդեք երկու թվով՝ տիրույթի ներսում և տիրույթից դուրս, երբեք՝ մեկով. այս տվյալների վրա միջինացված մեկ թիվը կթաքցներ ամբողջ արդյունքը։ (2) 80-չափանի միասնական գործողությունների տարածությունը՝ ֆիքսված սլոտային իմաստաբանությամբ և վավերականության դիմակավորմամբ, տարասեռ մարմնավորումները համատեղ ուսուցանելու էժան եղանակ է՝ առանց յուրաքանչյուր մարմնավորման համար առանձին գլուխների, և հենց դա թույլ տվեց չտեսնված 21-DoF ձեռքին ընդհանրապես հարմարվել։ (3) Չպիտակավորված էգոկենտրոն տեսանյութը՝ գործողությունների և պրոպրիոցեպցիայի ամբողջությամբ դիմակավորված ալիքներով, անվճար վերահսկում է աշխարհի հոսքը. եթե առաջադրանքի որևէ տեսանյութ ունեք, այս բաղադրատոմսով այն ուսուցման համար պիտանի տվյալ է։ (4) Կիրառման բաժանումը՝ ուսուցանել ամբողջ համատեղ աղմուկի հարթության վրա, գործարկել համաժամեցված անկյունագծով և արագացնել CUDA graph-ով կրկնարտադրվող ֆիքսված ձևի համատեղ աղմուկազերծման ցիկլով, հարակից քայլերի միջև արագության քեշով, հուշման ներկայացման (prompt embedding) քեշով և կառավարման ուղում VAE ապակոդավորման բացակայությամբ. 170 մվ մեկ փաթեթի համար RTX 5090-ի վրա, և հենց այս թիվն է սա կիրառելի դարձնում, ոչ թե H200-ների քանակը։

Փոքրացված տարբերակի վերարտադրման արժեքը։ Նախաուսուցումն անհասանելի է, բայց ուսումնասիրությունը՝ ոչ, և հենց դա է փոխանցելի պնդումներով մասը։ Վերցրեք 1.3B VACE հիմնական ցանցը 5B-ի փոխարեն, չորս դիմակների համեմատությունը կատարեք RoboTwin2.0-Clean2Random-ի վրա (հանրային է), և դուք լրաուսուցում (fine-tuning) եք անում, ոչ թե նախաուսուցում. α բաղադրատոմսն այդ բաժանման համար օգտագործում է 10 740 օպտիմիզատորի քայլ 256 խմբաքանակով։ եզրահանգում 8 խմբաքանակով և կուտակումով մեկ 80 GB քարտի վրա մեկ բջիջը կպահանջի մի քանի հարյուր GPU-ժամ, ուստի սերմերով կրկնված չորս դիմակների շարքը մեկ GPU-ի մեկ շաբաթ է, ոչ թե կլաստեր։ Ոչ նոր տվյալների հավաքում, ոչ նոր սարքավորում։ Դա է §10-ի փորձը։

7Ինչ է առնչվում ձեր նախագծին

CONTEXT.md-ի ## Active build բաժինը դեռ չլրացված տեղապահ է՝ «(empty — pending interview)», ուստի չկան աշխատանքային ուղղություններ, որոնց վրա կարելի լիներ տեղադրել այս շաբաթվա նյութերը, իսկ դրանք հորինելը ավելի վատ կլիներ, քան բաց թողնելը։ Բաժինը բաց է թողնված, մինչև տեղապահը չփոխարինվի։

8Շուկայական ազդանշան

Տեսանելիորեն աշխատողներ են ընդունում կամ ընդլայնվում են՝ OpenAI (ռոբոտաշինության 19 հաստիք Սան Ֆրանցիսկոյում, չորսը՝ շարժաբերերի վրա, գումարած շարժաբերերի TPM, բոլորը՝ սարքավորման ոլորտում, ռազմավարությունների գծով ոչ մի հաստիք նշված չէ), Maven Robotics (250 միավորի արտադրություն Apple-ի փակված AV խմբից հավաքված թիմով), Skild AI (60+ հաճախորդ, հասույթի 86%-ը՝ մանիպուլյացիա), XPENG (ավտոմոբիլային մասշտաբի արտադրություն), Agility (SPAC-ից >$620 մլն մուտքեր՝ տարեկան ~$100 մլն ծախսի դիմաց)։ Ուշագրավ բացակայությունը՝ այս շաբաթ ոչ ոք տեսանելիորեն չի ընդլայնում ռազմավարությունների հետազոտման թիմ։ Փողը գնաց շարժաբերերի, գործարանների և կիրառման ցիկլերի վրա։

Նշված մեթոդաբանությամբ վարձատրության կամ պաշտոնային մակարդակների տվյալներ կրկին չհայտնվեցին. ռոբոտաշինության աշխատավարձերի հարցումների համար վերադարձվող միակ աղբյուրները մնում են SEO ագրեգատորները, և ավելի լավ է ոչինչ չհաղորդել, քան դրանք «լվանալ»։ Պաշտոնային մակարդակների իրական ազդանշանին ամենամոտը Agility-ի S-4-ն է, որը հանրային հաշվետվություն է, ոչ թե հարցում՝ $111 մլն գործառնական ծախս $1.8 մլն հասույթի դիմաց, նախորդ տարվա $71 մլն-ից աճած։ Սա այն բյուջեի ձևն է, որի ներսում են գտնվում դեռ հասույթ չունեցող մարդանման ռոբոտների ընկերության ավագ պաշտոնները, և այն այժմ բացահայտված է, ոչ թե լուրերի մակարդակում։

Ուշադրության արժանացած աշխատանքներում շարունակում են կրկնվել հմտությունների երեք ուղղություններ։ Էժան ընթերցիչներ սառեցված հիմնական ցանցերի վրա՝ FARM-ն անփոփոխ VLA-JEPA կանխատեսողական վիճակից քայլային ձախողումների հայտնաբերում է քաղում 34 հազ. ուսուցանվող պարամետրով և միլիվայրկյանից պակաս ուշացումով. No Free Checker-ը նույն ընտանիքը ձևակերպում է որպես «մոդելին ներհատուկ ստուգիչներ»։ Իմանալը, թե գոյություն ունեցող ստեկի որ մասում է արդեն ազդանշանը, այժմ նոր մոդելներ ուսուցանելուց տարբեր իրավասություն է։ Կատարման ժամանակացույցի ճարտարագիտություն՝ W36-ի շարունակությունը. IMLE-VLA-ի մեկ քայլով գլուխը, TacPAC-ի՝ քեշավորող և m+d-ից ետ գրող ասինխրոն ուղղիչը, OpenWAM-ի համաժամեցված աղմուկազերծման անկյունագիծն ու գործարկման արագացման ստեկը։ Գնահատման նախագծումը որպես ներդրում՝ No Free Checker-ն ուսումնասիրում է ~150 ստուգիչ, պնդում է, որ բոլոր ընտանիքներում հասանելիության աճին զուգընթաց վստահելիությունը նվազում է, և առաջարկում է հաղորդման ենթակա ինը չափանիշ, այդ թվում՝ «փոխանցվող միջնորդավորված շահույթի» հարաբերակցությունը (Δ_panel/Δ_proxy, որը նույն ստուգակետերը գնահատում է ուսուցման ստուգիչով և մի խմբով, որը ռազմավարությունը երբեք չի տեսել). այն նաև անկեղծորեն նշում է, որ ռոբոտաշինության գրականության բոլոր համաձայնության ցուցանիշներն ու հետագա շահույթները չափվել են ոչ հակառակորդային թեկնածուների վրա, ուստի խոցելիությունն ըստ էության չափված չէ։ MEMOBench-ը գտնում է, որ π0-ն հիշողության պահպանման մեջ 94.0% է, իսկ առաջադրանքում՝ 4.4%։ EgoGenEval-ը 16 գեներատորում տարանջատում է տեսախցիկի շարժման հիմնավորումը տեսարանի պահպանումից՝ լավագույնը 0.662՝ ընդդեմ օրակուլի 0.940-ի։ Եվ Northwestern-ի ակնարկը պնդում է, որ բազմամատ ձեռքերի ճարպկության պնդումներն այժմ ընդհանրապես համեմատելի չեն։

Պարտադիր նվազագույնն այժմ՝ կոդ և կշիռներ հոդվածը ներկայացնելիս. ուշացումը՝ հաջողության կողքին. հենանիշի գործարկման միջավայր, որը մեկ ուրիշը կարող է գործարկել. և՝ նորովի, OpenWAM-ից հետո, ID/OOD բաժանում՝ միջինացված մեկ թվի փոխարեն։ Դեռևս տարբերակող են՝ սերմերով կրկնված աբլյացիաները (դեռ գրեթե բացակայում են. OpenWAM-ը չունի), իրական սարքավորման վրա փակվող RL ցիկլերը (WHIRL, VLA-Precision), հրապարակված սարքավորման ֆայլերը և ձեր սեփական ստուգիչի հակառակորդային գնահատումը, որը, ըստ ակնարկի, ռոբոտաշինության մեջ ոչ ոք չի արել։

9Թեմաներ

Այս շաբաթ հանված է՝ «Ուսուցման ժամանակ վերահսկողություն՝ գործարկման զրո ծախսով» թեման, որը միավորվել է «Վճարել ուսուցման ժամանակ, ոչ թե աշխատանքի ժամանակ» թեմային, որն ընդգրկում է նույն սկզբունքը թե՛ օժանդակ կորստի, թե՛ ուշացման կողմից։

10Բաց հարց

Արդյո՞ք աշխարհ–գործողություն մոդելների նախագծման տարածությունը լուծելի է այն ճշգրտությամբ, որով ոլորտն այժմ չափում է այն։ OpenWAM-ի առաջ տարած բաղադրատոմսը հենվում է ուշադրության դիմակի համար 0.16–0.72 տ.կ. և հիմնական ցանցի համար 1.40 տ.կ. տարբերությունների վրա՝ առանց հաղորդված սերմերի, և դա այն բանից մեկ շաբաթ անց, երբ MINERVA-ն համեմատելի հենանիշում չափեց ուսուցման սերմերից կախված ±1 կետի տիրույթ՝ պարզապես երեք անգամ վերաուսուցանելով։ Կամ WAM-ների նախագծման տարածությունն իսկապես ավելի նուրբ ազդանշան ունի, քան ռազմավարությունների մասշտաբինը, կամ լայնորեն հրապարակված բաղադրատոմսը քամվել է աղմուկից, և հրապարակվածից ես չեմ կարող ասել՝ որն է ճիշտ։

Ինչը կլուծեր հարցը՝ դիմակների երեք բջիջը վերաուսուցանել երեքական սերմով RoboTwin2.0-Clean2Random-ի վրա և հրապարակել տարածվածությունը։ OpenWAM-ը հրապարակել է ենթակառուցվածքը, գնահատման արձանագրությունը և տվյալների բաղադրատոմսերը հենց դա անելու համար, և RoboTwin2.0-ն հանրային է. ուստի սա արժե լրաուսուցման մի քանի գործարկում մեկ GPU-ի վրա և ոչինչ կառուցել չի պահանջում։ Սա ռոբոտների ուսուցման մեջ այժմ հասանելի ամենաէժան և բարձր արժեքով փորձն է, և այն հետադարձ ուժով կիրառելի է այս թողարկման աբլյացիոն աղյուսակների մեծ մասի նկատմամբ։

Աղբյուրները նշված են տեքստում։ arXiv-ի նյութերը պրեպրինտներ են և չգրախոսված, բացի X-Hinges-ից, որն ընդունված է UIST ‘26-ում։ Մեկ լաբորատորիայի պնդումները նշված են, որտեղ դա տեղին է։ Ամբողջական տեքստի փոխարեն ամփոփումներից գնահատված նյութերը նկարագրված են առանց թվերի։

Այս շաբաթվա այլ նյութեր

Հերթում 4+ գնահատական ստացած բոլոր նյութերը, որոնք վերևում առանձին բաժին չստացան՝

• SyncWorld — չափաբերման դրվագը համատեքստում սահմանում է գործողություն–պատկեր համապատասխանությունը՝ աշխարհի մոդելը վերածելով առանց լրացուցիչ ուսուցման աշխատող սիմուլյատորի՝ թեստի ժամանակ ռազմավարությունը բարելավելու համար։ Բաց թողնված է՝ կոդ նշված չէ, և շաբաթն արդեն ունի OpenWAM-ը նույն առանցքի վրա՝ հրապարակված ստեկով։
• Show-Harness — դիսկրետ իմաստային գործողությունները թույլ են տալիս առաջատար VLM-ներին ուղղակիորեն կառավարել ռոբոտներ՝ ուղեկցող սարքով, որը ցուցադրումներ է հավաքում առանց հեռակառավարման սարքավորման։ Բաց թողնված է՝ նախագծի էջ, թվերը չստուգված։
• VLA-Precision — հարաբերական առավելությամբ առցանց RL՝ սառեցված նախածանցի KV-ի վերօգտագործմամբ, 98.3% ինը քիմիական առաջադրանքում։ Բաց թողնված է տեղի սղության պատճառով՝ հեղինակների սեփական առաջադրանքների խումբ, կոդ չկա։
• ICI-VLA — DTW-ով որոնված միկրոցուցադրումները թեստի ժամանակ հարմարեցնում են սառեցված տեքստ–գործողություն VLA-ն. RoboTwin՝ 60.4%, իրական աշխարհ՝ 83.2%՝ ~1 000 փորձում։ Բաց թողնված է՝ նույն համատեքստային տեղն է զբաղեցնում, ինչ ContextFlow-ը, 8×A100 օֆլայն ուսուցմամբ և առանց նշված կոդի։
• EgoGenEval — էգոկենտրոն տեսանյութային աշխարհի մոդելների համար տարանջատում է տեսախցիկի շարժման հիմնավորումը տեսարանի պահպանումից. 16 առանց դիրքի գեներատոր, լավագույնը 0.662՝ ընդդեմ օրակուլի 0.940-ի, մարդկանց կողմից վավերացված ρ=0.943-ով։ Ներկայացված է §8-ում. հրապարակումը չստուգված է։