تحليل معمق · قراءة نحو 5 دقائق
ACE-Brain-0.6: كيف تدرب البيانات القابلة للتحقق نموذج تأريض مكاني بحجم 9B
تشرح SenseTime وDaxiao تنوع الإشراف المكاني: تفوق على Astra في خمسة اختبارات عامة وتأخر في اثنين، مع تقييم داخلي منفصل.
- نُشر هنا
- تاريخ المصدر
- تم التحقق من المصدر
يعرض إعلان SenseTime التقني المؤرخ في 20 أكتوبر نموذج ACE-Brain-0.6 من Daxiao بوصفه متخصصاً في التأريض البصري بحجم 9B. تكمن المساهمة في بناء البيانات والمقارنة المحددة النطاق، لا في إثبات أن نموذجاً صغيراً تجاوز جميع قدرات نموذج عام.
استمع إلى الأخبار
استمع إلى هذا المقال أو تابع تشغيل الأخبار.
جارٍ تجهيز القراءة…
صوت الجهاز
يتولى المتصفح أو الجهاز معالجة النطق. لا يرسل AISubHub النص إلى واجهة صوتية. تختلف الأصوات والتشغيل مع قفل الشاشة حسب الجهاز.
قد تتكرر عبارة قصيرة عند المتابعة.
لمحة سريعة
- متوسط الاختبارات العامة السبعة هو 74.53 مقابل 73.68 لـGPT-6 Astra، مع تأخر في RefSpatial وPointArena. أما التفوق السادس فمن RobotGrounding الذي بناه الفريق.
- نحو مليون عينة تدريب و940000 صورة مختلفة و2.7 مليون زوج سؤال وجواب وحدات مختلفة لا يجوز جمعها أو اعتبارها أعداداً متساوية.
- يقول الفريق إن المشاهد والعلاقات وأنواع الإشراف الجديدة أفادت أكثر من تكرار الأنواع الموجودة. النتائج من تقرير الجهات المطورة، وليست قياسات AISubHub.
أي جزء من عمل الروبوت يتحسن؟
يربط التأريض البصري اللغة بجسم أو منطقة أو موضع في الصورة. يستهدف ACE-Brain-0.6 التعرف والعد والعلاقات المكانية ومواقع التفاعل. اختيار خطة معقولة لا يحل تلقائياً سؤال المكان الدقيق الذي ينبغي أن يقع فيه الفعل المادي. لذلك قد يكون خطأ صغير في الإحداثيات مهماً حتى لو بدت الإجابة اللفظية مقنعة.
لنأخذ مثالاً تعليمياً من AISubHub، لا اختبار منتج: يُطلب من الروبوت وضع كوب بجوار وعاء. عليه تحديد الجسمين وفهم «بجوار» والتحقق من مساحة خالية. إن غاب الكوب فإن اختراع إحداثيات محتملة جواب خاطئ. كشف الغياب ودقة تحديد الموضع مطلبان متكاملان للإدراك، ولا يشكلان دليلاً على تنفيذ آمن.
كيف تتحول سجلات الحركة إلى وسوم مكانية؟
تقول Daxiao إنها تجمع أكثر من 30 عائلة بيانات روبوتية مفتوحة مع بيانات Ego خاصة وتفاعلات بشرية بمنظور الشخص الأول وتعليقات كثيفة للأجسام والأجزاء وبيانات مكانية ثلاثية الأبعاد. تسجل المسارات الأفعال، لكنها لا تشرح تلقائياً أي جسم أو منطقة تماس يقصدها الأمر. تحول السلسلة هذه المواد غير المتجانسة إلى إشراف مكاني صريح.
في فيديوهات المناولة تساعد حالة القابض ومقدار الحركة في اختيار إطارات رئيسية. تُنشأ مفردات لأجسام المشهد، وتدعم Grounding DINO وSAM 3 التحديد المكاني واستخراج المناطق والتصحيح الدلالي. تنتج أسئلة عن الإحالة والعد والعلاقات وموضع التفاعل والأهداف الغائبة. كل تحويل قد يضيف أخطاء وسم؛ لذا يجب أن تبقى الإجابات مرتبطة بدليل مرئي.
ما الذي يجعل إجابات التدريب قابلة للفحص؟
يضع الإعلان شروطاً واضحة: لا تُنشأ مسائل العد إلا عند اكتمال وسوم الحالات، وتتطلب أسئلة الغياب التأكد من أن الهدف غير ظاهر فعلاً. يهدف فحص التعليقات وموازنة الأجوبة واستبعاد بيانات التقييم إلى تقليل الإشراف الخاطئ والاختصارات. هذا وصف لعملية الفريق، لا معدل خطأ متبقٍ جرى قياسه بصورة مستقلة.
يشمل الحجم المعلن نحو مليون عينة تدريب و940000 صورة مختلفة و2.7 مليون زوج سؤال وجواب. الوحدات ليست متساوية ولا قابلة للجمع. يبدأ التدريب من Qwen3.5-9B، مع تجميد المشفر البصري والضبط الدقيق المراقب لمعلمات النموذج اللغوي. تنتج واجهة موحدة إحداثيات ومناطق وأعداداً وأحكاماً؛ لم تُقاس وفورات تكلفة الاستدلال.
ماذا تقول المقارنة الكاملة؟
تورد قائمة الجهة المطورة النتائج التالية لـACE مقابل GPT-6 Astra: Where2Place 76.55/71.10، وPixMo-Count 89.41/88.10، وRoboSpatial 74.82/69.55، وRoboAfford 88.51/84.94، وShareRobot 49.70/46.60. لكنه يتأخر في RefSpatial بنتيجة 68.35/80.14 وفي PointArena بنتيجة 74.34/75.36. متوسط الاختبارات العامة السبعة 74.53/73.68، ويجب ألا يحجب اختلاف المهمات.
الاختبار الثامن RobotGrounding من إنشاء Daxiao: عدد أسئلته 2591 موزعة على 14 فئة، منها الأجسام الصغيرة والغياب والمطابقة بين الكاميرات. النتيجة 94.13/91.10. لذلك تعني «ستة انتصارات» خمسة عامة وواحداً داخلياً، لا ستة عامة. أسئلة المشاهد الروبوتية تبقى تقييماً للتأريض؛ ليست 94.13 نسبة نجاح مناولة مادية كاملة من البداية للنهاية.
هل زيادة كمية البيانات تفسر التحسن؟
مع تثبيت البنية وطريقة التدريب، يوسع الفريق البيانات من 260000 عينة إلى نحو مليون. يرتفع المتوسط العام من 69.3 إلى 74.5. يصف الإعلان اتجاهاً تقريبياً خطياً مع لوغاريتم الحجم وزيادة بنحو 2.4 نقطة لكل تضاعف ضمن النطاق المختبر. هذه مقارنة مضبوطة مبلغ عنها، وليست وعداً بالمكسب ذاته لكل تضاعف مستقبلي.
وفق العرض نفسه، تؤدي زيادة أمثلة الأنواع الموجودة إلى تحسن أقل من نقطة واحدة. المشاهد والعلاقات المكانية وأشكال الإشراف الجديدة أكثر أهمية. تفسر AISubHub ذلك بأن اتساع التغطية يغير ما يستطيع النموذج تعلمه، بينما يعزز التكرار ما غُطي بالفعل. يبقى التفسير مشروطاً بضوابط البيانات وفصل التقييمات الموصوفة، وليس قانون توسع عالمياً.
ما الذي يلزم فحصه قبل النشر المادي؟
يسند الإعلان دراسة مكون إدراك متخصص، لا استبدال طبقات التخطيط والتحكم كلها. لا يختبر معيار التأريض مباشرة معايرة الكاميرات أو تنفيذ الحركة أو تجنب الاصطدام أو التعافي من موضع خاطئ. ستفحص AISubHub حالات غياب الهدف وأخطاء التحديد مع نتائجها اللاحقة، بدلاً من تحويل متوسط معلن إلى ضمان سلامة روبوت.
تنسب جميع النتائج هنا إلى SenseTime وDaxiao. لا توجد فواصل ثقة أو تكلفة أو تأخير أو شروط نشر أو ترخيص تنزيل أو نجاح مادي لكل مهمة. قرأنا النص الرسمي كاملاً والأشكال الثلاثة الضرورية، لكننا لم نكرر التجارب أو نقرأ ورقة أصلية منفصلة كاملة. ولا تزال إتاحة أوزان قابلة للتنزيل أو API غير متحققة.
لماذا يهم
تحليل AISubHub: المهم تدقيق كيف يتعلم الروبوت موضع الفعل وكيف يتصرف عند غياب الهدف. قد تساعد نتيجة التأريض في اختيار مكون الإدراك، لكنها لا تصدق على سلامة نظام روبوت كامل.
القيود والتوافر
المصدر إعلان تقني رسمي قرئ كاملاً، وليس مراجعة مستقلة لورقة البحث الأصلية. لا يوفر فواصل ثقة أو تكلفة أو زمناً للاستجابة أو شروط نشر أو ترخيص تنزيل أو نجاحاً فعلياً مفصلاً لكل مهمة. لم نختبر النموذج أو نتحقق من إتاحة الأوزان أو API.
المصادر والأدلة
تاريخ المصدر: · تم التحقق من المصدر:
مقالات تحريرية بمساعدة الذكاء الاصطناعي تُراجع مقابل المصادر الأولية المذكورة. تُنسب ادعاءات الشركات إليها، والإدراج لا يعني التوصية.