Um braço robótico pode treinar por milhares de horas para apertar parafusos e perder boa parte da habilidade ao mudar para outro braço. A equipe Qwen da Alibaba mira exatamente esse custo.
Uma linguagem comum de ação
RobotManip comprime ações de robôs diferentes em um vetor padrão de 80 dimensões e usa chaves para escolher quais dimensões valem. Descrever movimento como deslocamento relativo pela câmera dá uma língua comum a braços diferentes.
Daí vem o número principal: a transferência entre configurações sobe do melhor resultado anterior, 7,5%, para 23,9%. Outros testes fora do treino também melhoram, incluindo LIBERO-Plus 91,4%, RoboTwin-C2R hard 69,4% e EBench 45,6%.
Três modelos, não um
RobotNav cobre seguir instruções, navegar até alvos, buscar objetos, tracking e direção autônoma. RobotWorld usa um Qwen2.5-VL congelado mais um diffusion Transformer de 20B para imaginar frames futuros antes da ação.
A história principal está nos dados
A parte mais prática talvez seja a limpeza de dados. Um subset teria descartado 81% dos segmentos por saltos de ação, desalinhamento temporal e outliers. Se isso chegar à produção, o valor não é uma demo mais esperta, mas habilidades que mudam de corpo.
Fontes: MarkTechPost, TechNode, CocoLoop; a checagem cobriu os três modelos robóticos Qwen, transferência de 23,9%, números de benchmark, 38.100 horas de dados de manipulação e status open source de RobotManip e RobotNav.