PhysBrain 1.5: Én model til at forstå, handle og forudsige

DeepCybos PhysBrain 1.5 er et forsøg på at samle tre opgaver i én model: at forstå en scene, foreslå en robotbevægelse og forudsige, hvordan scenen derefter kan se ud. Modellen har åbent tilgængelige vægte. Det vigtigste for mulige brugere er dog at skelne mellem resultater i test af robotrelateret forståelse og dokumentation for, at en robot kan udføre opgaver stabilt i den fysiske verden. 1910

Hvordan kan én model løse tre opgaver?

PhysBrain 1.5 findes i en 2B- og en 8B-version, som bygger på hver sin tilsvarende Qwen3-VL-model til syn og sprog. I stedet for særskilte moduler til forståelse, handling og forudsigelse omsætter systemet svar og mål til sekvenser af diskrete tokens – enheder, som modellen lærer at forudsige én ad gangen. Sekvenserne kan beskrive sprog og rumlige forhold, bevægelsen af robotarmens gribeværktøj samt fremtidige visuelle tilstande i form af RGB-billeder, dybde og oplysninger om, hvor robotten befinder sig i billedet. 1810

Dermed kan samme arkitektur lære sammenhængen mellem det, modellen ser, den bevægelse, den foreslår, og det mulige resultat. En beregnet bevægelsesbane er dog ikke det samme som en bevægelse, en fysisk robot har gennemført med succes. 18

Træning: først menneskevideoer, siden flere datakilder

DeepCybo beskriver to træningstrin. Den indledende træning bruger videoer af mennesker, der interagerer med deres omgivelser, og kobler opgavens kontekst til rekonstruerede bevægelser og efterfølgende observationer. Derefter finjusteres modellen med en blanding af menneskelige demonstrationer, robotters bevægelsesforløb og simulerede erfaringer. Det er derfor misvisende at sige, at hele modellen kun er trænet på videoer af mennesker. 112

Hvad viser scoren på 72,5?

DeepCybo oplyser, at PhysBrain 1.5-8B opnår en gennemsnitsscore på 72,5 på tværs af 28 test af robotrelateret forståelse. Det placerer den øverst blandt de åbne modeller i selskabets sammenligning; på 14 af testene har den den højeste score blandt disse modeller. Den oplyste gennemsnitsscore for 2B-versionen er 66,6. Testene dækker blandt andet visuel og rumlig forståelse, forståelse på tværs af kameravinkler, planlægning, vurdering af hvad objekter kan bruges til, og ræsonnement om bevægelsesbaner. 191011

I DeepCybos offentliggjorte sammenligning ligger 8B-versionens score tæt på de opførte scorer for de proprietære modeller GPT-6-Astra (73,3) og Gemini 3.6 Flash (73,0). Det er en sammenligning under projektets egne evalueringsvilkår – ikke en uafhængig rangliste over alle modeller eller en måling af, hvor ofte robotter fuldfører fysiske opgaver. 118

Hvad bør andre teste, før modellen bruges?

DeepCybo har offentliggjort modelvægte til både 2B og 8B samt en teknisk rapport og evalueringsressourcer. Det giver andre mulighed for at undersøge modellerne og forsøge at gentage resultaterne. 191011

Før en gennemsnitsscore bruges som beslutningsgrundlag, bør man gennemgå resultaterne for hver enkelt test, evalueringsindstillingerne, eventuelt overlap mellem trænings- og testdata og om sammenligningsmodellerne blev testet på lige vilkår. Ved praktisk brug er den vigtigere prøve at lade den tilsigtede robot handle i et lukket kredsløb, hvor den løbende reagerer på det, der faktisk sker. Her bør man måle opgavesucces, håndtering af fejl, svartid og sikkerhed med de objekter og forhold, robotten vil møde. Den offentliggjorte forståelsesscore kan ikke erstatte de målinger. 1910