Tencent släpper ny VLM-modell för robotik
Tencent Robotics X Lab, Futian Lab och Tencent Hunyuan lanserade igår basmodellen Hy-Embodied-VLM-1.0, som förbättrar robotars förmåga att förstå och agera i den fysiska miljön.
Det kinesiska teknikföretaget Tencent har lanserat en ny basmodell för vision-language (VLM) kallad Hy-Embodied-VLM-1.0. Modellen är ett samarbete mellan Tencent Robotics X Lab, Futian Lab och Tencent Hunyuan.
Hy-Embodied-VLM-1.0 är utformad för att förbättra robotars förmåga att förstå den fysiska världen och utföra uppgifter autonomt. Den nya modellen kan identifiera objekt, deras egenskaper, djup och rumsliga relationer i omgivningen. Den analyserar även robotens perspektiv, funktionskomponenter och miljöns möjligheter för att utföra uppgifter.
Modellens prestanda har utvärderats i 37 olika uppgifter. Den uppnådde ett genomsnittligt resultat på 65,6 poäng inom tre huvudområden: förståelse av fysiskt tillstånd, resonemang kring handlingar och förändringar samt tidsmässigt och adaptivt resonemang. Prestandan för denna modell, som använder en A3B-skala, närmar sig den övergripande prestandan hos förra generationens flaggskeppsmodell A32B.
Dessutom stöder modellen flerfasig planering, visuell navigering och användning av minne för långvariga uppgifter. Den kan också analysera misslyckanden och genomföra dynamiska omplaneringar baserat på feedback från omgivningen. Modellen har släppts som öppen källkod, och dess kod är tillgänglig på GitHub och Hugging Face.