Tencent julkaisi uuden VLM-mallin robotiikkaan
Tencent Robotics X Lab, Futian Lab ja Tencent Hunyuan julkaisivat eilen Hy-Embodied-VLM-1.0 -pohjamallin, joka parantaa robottien kykyä ymmärtää fyysistä ympäristöä ja toimia siinä.
Kiinalainen teknologiayhtiö Tencent on julkaissut uuden VLM (Vision-Language Model) -pohjamallin nimeltä Hy-Embodied-VLM-1.0. Malli on kehitetty yhdessä Tencent Robotics X Labin, Futian Labin ja Tencent Hunyuanin toimesta.
Hy-Embodied-VLM-1.0 on suunniteltu parantamaan robottien kykyä ymmärtää fyysistä maailmaa ja suorittaa tehtäviä itsenäisesti. Uusi malli pystyy tunnistamaan objekteja, niiden ominaisuuksia, syvyyttä ja spatiaalisia suhteita ympäristössä. Se analysoi myös robottinäkökulmaa, toiminnallisia osia ja ympäristön mahdollisuuksia tehtävien suorittamisksi.
Mallin suorituskykyä on mitattu 37 eri tehtävässä. Se saavutti 65,6 pisteen keskiarvon kolmella pääalueella: fyysisen tilan ymmärtäminen, toimintojen ja muutosten päättely sekä ajallinen ja adaptiivinen päättely. Mallin suorituskyky vastaa kokonaisuutena edellisen sukupolven A32B-lippulaivamallia, vaikka Hy-Embodied-VLM-1.0 käyttää pienempää A3B-skaalaa.
Lisäksi malli tukee monivaiheista suunnittelua, visuaalista navigointia ja muistin käyttöä pitkäkestoisissa tehtävissä. Se pystyy myös analysoimaan epäonnistumisia ja tekemään dynaamisia uudelleensuunnitteluja ympäristöstä saadun palautteen perusteella. Malli on julkaistu avoimesti, ja sen koodi on saatavilla GitHubissa ja Hugging Facessa.