PhysBrain 1.5 spojuje porozumění scéně, pohyb robota a předpověď dalšího stavu

PhysBrain 1.5 je model s veřejně dostupnými vahami od DeepCybo. Má rozpoznat, co se ve scéně děje, navrhnout pohyb robota a odhadnout, jak bude scéna po něm vypadat. Pro zájemce o nasazení je zásadní rozlišovat mezi výsledky v testech porozumění fyzickému prostředí a důkazem, že robot dokáže úlohy spolehlivě provádět v praxi. 1910

Tři schopnosti, jedna architektura

Verze 2B a 8B vycházejí z odpovídajících obrazově-jazykových modelů Qwen3-VL. PhysBrain 1.5 nepoužívá pro porozumění, pohyb a předpověď oddělené výstupní části modelu. Jazykové a prostorové odpovědi, trajektorii koncového nástroje robotické ruky i předpokládaný budoucí stav obrazu vyjadřuje jako posloupnosti diskrétních tokenů. Model se učí předpovídat další token v posloupnosti. Budoucí stav může zahrnovat barevný obraz RGB, informaci o hloubce i o tom, jaký prostor zaujímá robot. 1810

Společný formát umožňuje v jedné autoregresivní architektuře pracovat s popisem scény, zamýšleným pohybem i jeho očekávaným vizuálním výsledkem. Vygenerovaná trajektorie však není totéž co pohyb úspěšně provedený robotem. 18

Jak probíhá trénování

DeepCybo popisuje dvě fáze. Při předtrénování model využívá videa lidské interakce zaměřená na konkrétní úlohy: kontext scény a zadání se propojují s rekonstruovaným pohybem a následnými pozorováními. Poté následuje řízené dolaďování na kombinaci lidských ukázek, trajektorií robotů a zkušeností ze simulace. Tvrzení, že model byl trénován pouze na videích lidí, by tedy přehlíželo druhou fázi. 112

Co říká skóre 72,5 — a co ne

Podle zveřejněných výsledků DeepCybo dosáhl PhysBrain 1.5-8B průměrného skóre 72,5 ve 28 testech porozumění fyzickému prostředí. V porovnání firmy skončil první mezi hodnocenými otevřenými modely a ve 14 jednotlivých testech zaznamenal nejlepší výsledek v této skupině. Menší verze 2B dosáhla průměru 66,6. Testy zahrnují vnímání prostoru, porozumění 3D scénám a více pohledům, uvažování a plánování, přiřazování významu objektům a možnostem jejich použití i uvažování o vizuálních trajektoriích. 191011

Ve stejném zveřejněném srovnání je výsledek 8B verze blízko hodnotám uvedeným pro proprietární modely GPT-6-Astra (73,3) a Gemini 3.6 Flash (73,0). Jde o srovnání podle metodiky projektu, nikoli o nezávislý žebříček všech dostupných modelů — a už vůbec ne o míru úspěšnosti při manipulaci se skutečnými předměty. 118

Co ověřit před nasazením

DeepCybo zpřístupnilo váhy obou verzí, technickou zprávu a podklady k hodnocení. Týmy tak mohou modely prozkoumat a pokusit se zveřejněné výsledky zopakovat. 191011

Samotný průměr nestačí: důležité jsou výsledky jednotlivých testů, nastavení hodnocení, možný překryv trénovacích a testovacích dat i to, zda srovnávané modely dostaly rovnocenné podmínky. Pro praktické použití je ještě důležitější zkouška na zamýšleném robotu, při níž se průběžně vyhodnocují výsledky jeho vlastních akcí. Je třeba měřit úspěšnost úloh, zotavení po chybě, prodlevy a bezpečnost s předměty a v podmínkách, které robot skutečně potká. Zveřejněné skóre porozumění tato měření nenahrazuje. 1910