Robot bisa melihat, tetapi banyak kegagalan manipulasi terjadi di ujung jari. NeoteAI dan tim TEAI Universitas Fudan merilis tiga laporan teknis N0: N0-Foundation, N0-VTLA, dan N0-TWAM, lengkap dengan laman riset, data, kode, dan checkpoint.
Sentuhan Menjadi Lapisan Data
N0-Foundation melaporkan NeoData berisi lebih dari 30.000 jam interaksi visual-taktil, 1,4 juta episode, 3,3 miliar timestep, 8 miliar frame RGB, dan 10 miliar frame taktil. Korpusnya mencakup enam embodiment dan lebih dari 450 tugas.
Subset terbuka berjumlah 5.000 jam, meliputi enam embodiment, lebih dari 250 tugas, dan lebih dari 200 keterampilan. Ini cukup berarti untuk replikasi, tetapi sebagian besar korpus penuh belum tersedia untuk publik.
Model Memprediksi Kontak Berikutnya
N0-VTLA tidak sekadar menempelkan gambar taktil ke frame kamera. Model ini memadatkan kontak saat ini menjadi token taktil laten, lalu memprediksi perubahan sentuhan pada potongan aksi berikutnya. Robot mencoba memperkirakan slip, hambatan, atau posisi yang sudah terkunci sebelum gerakan selesai.
Menurut laporan tim, N0-VTLA mencapai rata-rata keberhasilan 47,2% pada sembilan tugas robot nyata NeoReal, dibanding 29,4% untuk baseline pi0.5. Tugas memasang colokan mencapai 85% melawan 60%, dan board insertion naik dari nol pada dua baseline menjadi 25%.
World Model Yang Ikut Merasa
N0-TWAM menghasilkan video masa depan, sentuhan masa depan, dan aksi dalam satu world-action model. Model ini memiliki 7,16B parameter trainable dan dipra-latih 30.000 langkah dengan 128 GPU H800.
Rata-rata keberhasilan yang dilaporkan adalah 84,5% pada UniVTAC, 49,4% pada NeoSim, dan 46,3% pada delapan tugas robot nyata. Pemeriksaan berikutnya adalah replikasi pihak ketiga, pengajuan eksternal ke NeoReal atau NeoSim, serta produksi dan kalibrasi sensor taktil yang stabil.
Sumber: QbitAI, laporan teknis NeoteAI/Fudan N0-Foundation, laporan teknis N0-VTLA, laporan teknis N0-TWAM, dataset Hugging Face, repositori kode GitHub, CocoLoop; memverifikasi 30.000 jam interaksi, 1,4 juta episode, 3,3 miliar timestep, 8 miliar frame RGB, 10 miliar frame taktil, subset terbuka 5.000 jam, tingkat keberhasilan NeoReal, parameter N0-TWAM 7,16B, 128 GPU H800, dan cakupan benchmark.