在两个月的时间内, 机器人操作的综合成功率从百分之十六点六大幅上升到百分之四十一。打结任务与展开T恤任务这两项历史零分的难题终于被人工智能技术成功破解。这一变化让具身智能领域的所有人感到非常震惊。
01.评测方法与数据规模
XDOF进行了部署, 用六台YAM工作站来做并行试验, 每一项任务都重复做了30次, 在单日时间里可以完成480场实测的环节, 工作人员要人工来对每一帧画面进行标注, 找出子步骤的内容, 还要去抓取失误的情况和碰撞的事件, 然后过滤掉硬件方面的偏差以及随机产生的扰动。
对16项共享操作任务取等权平均, 成功率从19.6%提升至41.2%, 增加了21.6个百分点。测试覆盖空间推理、物体抓取、双臂协作、工具使用、精细操作与柔性物体处理六大能力维度。
02.柔性操作为何长期卡壳
在展开T恤或者给绳子打结的时候, 物体的形状会跟着机械臂每次的接触还有抓取以及拉扯的动作而发生变化, 整个过程很难提前说清楚。这时候, 模型就不得不一直盯着从腕部摄像头和顶部摄像头传回来的画面, 以便随时看清衣服的角点、褶皱情况以及整体的模样。
在当前, 如果没有配备触觉反馈的硬件环境, 大语言模型在输出动作模块时, 中间会出现大致超过十秒钟、以及接近二十秒钟的推理过程所带来的延时情况, 而在这种延时等待的时间阶段里, 机械臂是不具备进行实时细微调整的能力特征的, 每一次去尝试实施接触控制行为并且还要处理失败的恢复工作, 所产生出来的代价都是相当高额的。
03.关键任务突破与单项进步
在此前, Ember-0累计进行了143次有效的T恤展开测试, 但是一次都没有成功过。至于打结任务, 在很长一段时间里, 结果也都是零。
而这一次, GPT-6.2Astra把这两项成绩都拿下来了。特别是夹子夹面包的任务,它的成功率从以往的10%, 一下子提高到了90%。单看这一项的话, 它的进步是最大的。
XDOF在最新发布的推文里面表示说, Ember-0这个基准, 可能就在不久以后的时间里, 被各种模型的能力给填满了, 或者是达到饱和状态了, 所以说后续的关于评测方面的体系, 就需要用到更加复杂的一些任务组合的方式, 来继续维持住那个区分度的样子。
04.通用模型冲击具身智能格局
英伟达的团队在测试的时候, 直接把GPT-6.2拿来做机器人策略的模型。Google深目也做了一件事, 把Gemini的多模态理解能力延伸到了机器人的控制领域。像这样的一般模型, 正在不断地刷新具身智能的能力边界。
GPT-6.2Astra在针对真实机器人的对比测试中, 仅仅用时不到一天时间, 就冲上了RoboColosseum SO-101 Elo排行榜的榜首位置, 而且它的速度、还有精度, 都比之前那种专门设计的策略模型都要更好一些。
05.技术瓶颈与后续方向
在目前这个时刻, 基于视觉、语言和动作的模型仍然需要在很多时候去依赖那些数量很多的人类示范数据。一旦需要更换物体, 或者想要将复杂的动作串联起来完成的时候, 相关的策略就很容易出现失效的状况。GPT-6.2所取得的突破性进展明确地表明, 通用类型的模型正在大幅度地对专用训练所产生的边际成本进行压缩。
目前, 推理方面的延迟问题依然是最大的瓶颈所在, 这给那些需要不断进行感知操作并且要求快速做出反应的场景带来了十分明显的影响。如果想了解更多关于基准测试的具体数据以及模型动态迭代的情况, 可以通过访问m.hyjdxg.com网站中的具身智能专栏来获取相关信息。
大家很关心Ember-0这个基准测试指标究竟还能维持不被后来出现的新一代模型所取代多长时间。如果你对此有看法, 请不要忘记点赞和分享, 同时也可以在评论区域展开讨论以交流你的个人判断结果。
