विस्तृत विश्लेषण · लगभग 6 मिनट पढ़ना
ACE-Brain-0.6: सत्यापन योग्य डेटा से 9B मॉडल की स्थानिक ग्राउंडिंग
SenseTime और Daxiao ने विविध स्थानिक सुपरविजन का विवरण दिया: Astra से पाँच सार्वजनिक परीक्षणों में बढ़त, दो में कमी और एक अलग आंतरिक मूल्यांकन।
- यहाँ प्रकाशित
- स्रोत की तारीख
- स्रोत जाँचा गया
SenseTime की 20 अक्टूबर की तकनीकी घोषणा Daxiao के ACE-Brain-0.6 को विज़ुअल ग्राउंडिंग के लिए विशेषीकृत 9B मॉडल बताती है। इसका उपयोगी योगदान डेटा निर्माण की विधि और सीमित तुलना है, न कि छोटे मॉडल द्वारा सामान्य मॉडल की हर क्षमता को पीछे छोड़ने का प्रमाण।
समाचार सुनें
यह लेख सुनें या समाचार लगातार चलाएँ।
पढ़ने की तैयारी हो रही है…
डिवाइस की आवाज़
वाक् प्रक्रिया आपके ब्राउज़र या डिवाइस में होती है। AISubHub पाठ किसी ऑडियो API को नहीं भेजता। आवाज़ों और लॉक स्क्रीन पर चलने की सुविधा डिवाइस पर निर्भर है।
जारी करने पर छोटा वाक्यांश दोहराया जा सकता है।
मुख्य बातें
- सात सार्वजनिक परीक्षणों का औसत 74.53 बनाम GPT-6 Astra का 73.68 है; RefSpatial और PointArena में स्कोर कम हैं। छठी बढ़त स्वयं बनाए RobotGrounding से आती है।
- लगभग दस लाख प्रशिक्षण नमूने, 940000 अलग चित्र और 2.7 मिलियन प्रश्न-उत्तर जोड़े अलग इकाइयाँ हैं; इन्हें जोड़ना या एक ही संख्या मानना गलत है।
- टीम के अनुसार पुराने डेटा प्रकार दोहराने से अधिक लाभ नए दृश्य, स्थानिक संबंध और सुपरविजन रूप देते हैं। ये प्रदाताओं के परिणाम हैं, AISubHub के स्वतंत्र परीक्षण नहीं।
रोबोट के काम का कौन-सा हिस्सा सुधरता है?
विज़ुअल ग्राउंडिंग भाषा को चित्र में किसी वस्तु, क्षेत्र या स्थान से जोड़ती है। ACE-Brain-0.6 पहचान, गिनती, स्थानिक संबंध और अंतःक्रिया के स्थान पर केंद्रित है। उचित योजना चुन लेने के बाद भी यह तय करना बाकी रहता है कि भौतिक कार्रवाई ठीक कहाँ होनी चाहिए। इसलिए सुनने में सही उत्तर के साथ निर्देशांक की छोटी त्रुटि भी महत्वपूर्ण हो सकती है।
AISubHub की शिक्षण-कल्पना लें, किसी उत्पाद परीक्षण का परिणाम नहीं: रोबोट को कटोरे के पास कप रखना है। दोनों वस्तुएँ ढूँढ़ना, “पास” समझना और खाली जगह जाँचना आवश्यक है। कप अनुपस्थित हो तो मनगढ़ंत निर्देशांक देना गलत है। अनुपस्थिति पहचानना और सही स्थान पकड़ना पूरक धारणा आवश्यकताएँ हैं, पर सुरक्षित क्रियान्वयन का प्रमाण नहीं।
क्रियाओं के रिकॉर्ड स्थानिक लेबल कैसे बनते हैं?
Daxiao के अनुसार वह 30 से अधिक खुले रोबोट डेटा परिवारों को निजी Ego डेटा, मानव प्रथम-व्यक्ति अंतःक्रिया, वस्तु और भागों के सघन एनोटेशन तथा त्रिआयामी स्थानिक डेटा से जोड़ता है। प्रक्षेपपथ क्रिया रिकॉर्ड करता है, लेकिन अपने आप नहीं समझाता कि निर्देश किस वस्तु या संपर्क क्षेत्र का है। यह पाइपलाइन विविध रिकॉर्ड को स्पष्ट स्थानिक सुपरविजन में बदलती है।
मैनिपुलेशन वीडियो में ग्रिपर की स्थिति और गति के परिमाण से मुख्य फ़्रेम चुने जाते हैं। दृश्य की वस्तु-शब्दावली बनाई जाती है; Grounding DINO और SAM 3 स्थानीयकरण, क्षेत्र निकालने और अर्थ-सुधार में सहायक हैं। प्रश्न संदर्भ, संख्या, संबंध, अंतःक्रिया-स्थान और अनुपस्थित लक्ष्य पर बनते हैं। हर रूपांतरण में लेबल की त्रुटि आ सकती है, इसलिए उत्तर का दिखाई देने वाले प्रमाण से जुड़ा रहना आवश्यक है।
सुपरविजन उत्तरों को कैसे जाँचा जा सकता है?
घोषणा के अनुसार गिनती का प्रश्न तभी बनता है जब सभी इंस्टेंस के एनोटेशन पूरे हों; अनुपस्थिति का प्रश्न बनाने से पहले लक्ष्य का चित्र में न होना पुष्ट किया जाता है। लेबल जाँच, उत्तर संतुलन और मूल्यांकन डेटा को बाहर रखना गलत सुपरविजन तथा शॉर्टकट कम करने के उपाय हैं। यह टीम की प्रक्रिया बताता है, स्वतंत्र रूप से मापी बची हुई त्रुटि-दर नहीं।
रिपोर्ट में लगभग दस लाख प्रशिक्षण नमूने, 940000 अलग चित्र और 2.7 मिलियन प्रश्न-उत्तर जोड़े हैं। ये न बराबर इकाइयाँ हैं, न जोड़ने योग्य संख्याएँ। आधार Qwen3.5-9B है; विज़न एनकोडर स्थिर रखकर भाषा मॉडल के पैरामीटरों का सुपरवाइज़्ड फाइन-ट्यूनिंग किया जाता है। एकीकृत इंटरफ़ेस निर्देशांक, क्षेत्र, गिनती और निर्णय देता है। अनुमान की लागत में बचत का कोई मापन नहीं दिया गया।
पूरी तुलना वास्तव में क्या दिखाती है?
प्रदाता की तालिका में ACE बनाम GPT-6 Astra के स्कोर Where2Place 76.55/71.10, PixMo-Count 89.41/88.10, RoboSpatial 74.82/69.55, RoboAfford 88.51/84.94 और ShareRobot 49.70/46.60 हैं। लेकिन RefSpatial 68.35/80.14 और PointArena 74.34/75.36 में ACE पीछे है। सात सार्वजनिक परीक्षणों का औसत 74.53/73.68 है; अलग कार्यों के अंतर भी साथ पढ़ने चाहिए।
आठवाँ परीक्षण Daxiao का स्वयं बनाया RobotGrounding है: छोटे लक्ष्य, अनुपस्थिति और कैमरों के बीच मिलान सहित 14 श्रेणियों के 2591 प्रश्न। स्कोर 94.13/91.10 हैं। इसलिए छह बढ़त का मतलब पाँच सार्वजनिक और एक आंतरिक है, छह सार्वजनिक नहीं। रोबोट दृश्यों से लिए प्रश्न भी ग्राउंडिंग मूल्यांकन हैं; 94.13 को संपूर्ण भौतिक मैनिपुलेशन की सफलता-दर नहीं कहा जा सकता।
क्या केवल अधिक डेटा ही सुधार लाता है?
वास्तुकला और प्रशिक्षण विधि स्थिर रखते हुए टीम ने 260000 नमूनों से लगभग दस लाख तक डेटा बढ़ाया। सार्वजनिक औसत 69.3 से 74.5 हुआ। घोषणा परीक्षण किए दायरे में लगभग लॉग-रेखीय प्रवृत्ति और प्रत्येक दोगुने डेटा पर करीब 2.4 अंक बताती है। यह रिपोर्ट किया गया नियंत्रित तुलनात्मक प्रयोग है, हर भविष्य की दोगुनी मात्रा पर समान सुधार का वादा नहीं।
उसी विवरण के अनुसार मौजूदा प्रकारों के अतिरिक्त उदाहरणों से एक अंक से कम लाभ मिला। नए दृश्य, स्थानिक संबंध और सुपरविजन के रूप अधिक महत्वपूर्ण थे। AISubHub की व्याख्या है कि कवरेज बढ़ाने से सीख सकने वाला विषय बदलता है, जबकि दोहराव पुराने दायरे को मजबूत करता है। यह व्याख्या बताए गए डेटा नियंत्रण और मूल्यांकन पृथक्करण पर निर्भर है; सार्वभौमिक स्केलिंग नियम नहीं।
भौतिक तैनाती से पहले क्या जाँचना बाकी है?
यह घोषणा विशेषीकृत धारणा घटक की जाँच का आधार देती है, पूरी योजना और नियंत्रण प्रणाली बदलने का नहीं। ग्राउंडिंग परीक्षण सीधे कैमरा कैलिब्रेशन, गति निष्पादन, टक्कर प्रबंधन या गलत स्थान के बाद सुधार नहीं जाँचता। AISubHub अनुपस्थित लक्ष्य और स्थान-त्रुटियों को आगे के परिणामों के साथ देखेगा, औसत स्कोर को रोबोट सुरक्षा की गारंटी नहीं बनाएगा।
यहाँ सभी प्रयोगात्मक परिणाम SenseTime और Daxiao के हैं। विश्वास अंतराल, लागत, विलंब, तैनाती पात्रता, डाउनलोड लाइसेंस और कार्यवार भौतिक सफलता डेटा नहीं दिए गए। हमने आधिकारिक पाठ और आवश्यक तीन चित्र पूरे पढ़े, लेकिन न तो प्रयोग स्वतंत्र रूप से दोहराए और न ही अलग से मूल शोधपत्र पूरा पढ़ा। डाउनलोड करने योग्य वज़न या API की उपलब्धता अभी सत्यापित नहीं है।
यह क्यों अहम है
AISubHub का विश्लेषण: जाँचना चाहिए कि रोबोट कहाँ कार्य करना और लक्ष्य न होने पर क्या निर्णय लेना सीखता है। ग्राउंडिंग स्कोर धारणा घटक चुनने में मदद कर सकता है, लेकिन पूरे रोबोट की सुरक्षा प्रमाणित नहीं करता।
सीमाएँ और उपलब्धता
पूरा पढ़ा गया स्रोत आधिकारिक तकनीकी घोषणा है, मूल शोधपत्र की स्वतंत्र समीक्षा नहीं। विश्वास अंतराल, लागत, विलंब, तैनाती पात्रता, डाउनलोड लाइसेंस और कार्यवार वास्तविक रोबोट सफलता डेटा नहीं दिया गया। हमने मॉडल का परीक्षण या वज़न/API उपलब्धता सत्यापित नहीं की।
स्रोत और प्रमाण
स्रोत की तारीख: · स्रोत जाँचा गया:
AI की सहायता से लिखे लेखों को दिए गए प्राथमिक स्रोतों से जाँचा जाता है। प्रदाता के दावों का श्रेय स्पष्ट है; सूची में होना समर्थन नहीं है।