es.wedoany.com Noticia: Yuanli Lingji ha lanzado el modelo mundial encarnado DW0.5, integrándolo en el marco de post-entrenamiento de inteligencia encarnada impulsado por modelos mundiales, DFOL2.0. Este modelo base admite entrada multimodal, incluyendo instrucciones de tareas, imágenes y videos, y puede predecir estados de video posteriores basándose en acciones históricas.
La inteligencia encarnada, como IA física, tiene como objetivo mejorar continuamente el rendimiento de los robots en diferentes entornos y condiciones de fallo, pero el volante de post-entrenamiento ha sido difícil de hacer funcionar durante mucho tiempo. Una sola prueba con un robot real requiere ocupar el robot, el espacio y mano de obra, y un fallo puede interrumpir la tarea; la retroalimentación humana se acerca al juicio real pero es difícil de cubrir con alta frecuencia; la simulación tradicional es de bajo costo pero difícil de replicar incertidumbres del mundo real como contacto, oclusión y deformación.
DW0.5 utiliza decenas de miles de horas de datos multivista de robots reales para un preentrenamiento conjunto, poseyendo fuertes capacidades de simulación. Puede generar videos de operación normal de brazos robóticos, así como escenarios de fallo de tareas basados en acciones erróneas, para apoyar el entrenamiento de aprendizaje por refuerzo en línea del marco DFOL2.0. Como simulador de alta fidelidad, DW0.5 traslada el aprendizaje por refuerzo a un entorno virtual: el VLA primero propone acciones candidatas, DW0.5 previsualiza el futuro y evalúa los riesgos de éxito, fracaso y desviación, y luego devuelve la retroalimentación al aprendizaje por refuerzo. Según los datos divulgados, este proceso puede reducir la demanda de datos de robots reales en el post-entrenamiento en un 60% y disminuir el costo total de entrenamiento en un 40%.
DW0.5 reconstruye la lógica de simulación a través de tres módulos expertos. Video Expert y Action Expert trabajan juntos en la previsualización de las consecuencias de las acciones, donde Action Expert utiliza las acciones como una prioridad estructural fuerte, vinculando forzosamente las acciones con la generación de video mediante alineación a nivel de fotograma, empleando atención MoT y una máscara de atención group-diagonal para asegurar la correspondencia entre la secuencia de acciones y la secuencia de video. Value Expert se encarga de la evaluación de valor y la construcción de retroalimentación, transformando el futuro generado en señales de valor densas, incluyendo la evaluación de probabilidad de éxito para el estado actual, trayectorias candidatas o toda la prueba, alcanzando una correlación Valor-Orden superior al 95%.
Se exige explícitamente que DW0.5 pueda generar trayectorias de fallo para evitar el sesgo causado por el entrenamiento solo con datos de éxito. Su estrategia de datos abarca cuatro tipos de fuentes: datos públicos de robots encarnados y datos de robots auto-recolectados, datos de video de Internet, datos de actividades humanas en primera persona, y datos de pruebas con robots reales y simulaciones, cubriendo estados intermedios como desviación, atasco y recuperación.
A nivel de aplicación, DW0.5 desempeña tres roles en el entrenamiento y despliegue de VLA: aumento de datos fuera de línea y construcción de preferencias, entorno de post-entrenamiento RL, y planificación y evaluación de seguridad durante el despliegue. Gracias a esta capacidad, el modelo destaca en el seguimiento de instrucciones de alto nivel y acciones de múltiples pasos, la generalización multidimensional continua a través de entornos, tareas y configuraciones, la consistencia en la generación de video multivista, y la alta coherencia entre la generación de acciones y video.
Siguiendo el flujo general, el modelo base DM0.5 genera un lote de acciones iniciales, DW0.5 genera en masa trayectorias de éxito y fallo en el entorno virtual, luego el entrenador de aprendizaje por refuerzo CFG-RL puntúa cada trayectoria, y después de devolver la recompensa, se actualizan los pesos del modelo. La mayoría de los datos en este ciclo son generados en línea por DW0.5, reduciendo la costosa dependencia de los robots reales.
En tareas de alta dificultad como inflar globos, colgar ropa y doblar cajas de papel, los modelos que integran DFOL2.0 muestran una mejora significativa en la tasa de éxito de pasos clave en comparación con la línea base de solo SFT. En la tarea de inflar globos, la tasa de éxito del paso de inflar el globo aumentó del 10% al 90%, y la inserción de la bomba en el globo del 10% al 100%. En la tarea de colgar ropa, colgar con éxito la percha aumentó del 50% al 100%, y meter la percha en la ropa del 60% al 90%. En la tarea de doblar cajas de papel, la tasa de éxito de doblar el lado derecho y el lado izquierdo de la caja aumentó del 35% al 55% y al 50%, respectivamente.
En puntos de referencia como EWMBench y WorldArena, DW0.5 obtuvo puntuaciones de 4.73 y 73.54 respectivamente, logrando el estado del arte global (SOTA) (a fecha del 9 de julio).
Yuanli Lingji indicó que DW0.5 ya ha ejecutado internamente el proceso de post-entrenamiento encarnado DFOL2.0, comenzando a asumir tareas de generación de datos, evaluación de valor e iteración de estrategias, y se ha integrado en la plataforma DexDev MaaS. Para modelos con capacidad de generalización zero-shot insuficiente, se pueden complementar capacidades mediante post-entrenamiento y reintegrarlos en el servicio. Wang Tiancai, cofundador de Yuanli Lingji, enfatizó que el modelo mundial aún necesita calibración con robots reales, y que los datos reales tienen un valor insustituible. Mencionó que, con la mejora de las capacidades de los modelos visuales, el personal en el sitio puede recopilar datos de operación utilizando cámaras Ego, reduciendo la barrera para el post-entrenamiento en el lugar.
