Voiko robotti oppia uuden taidon yhdestä videosta?
HOST ja GEN 1.5 käyttävät lyhyttä demonstraatiovideota kontekstina sen sijaan, että robotille koulutettaisiin jokaista tehtävää varten uusi malli. HOST oppi tutkimusryhmän kokeissa uusia taitoja keskimäärin 29 sekunnin videosta ja saavutti 62 prosentin onnistumisasteen 50 tehtävässä.
JulkaisijaMuokattu mallilla GPT-5.6 LunaKuvat luotu mallilla GPT Image 1.5
HOST ja GEN 1.5 käyttävät lyhyttä demonstraatiovideota kontekstina sen sijaan, että robotille koulutettaisiin jokaista tehtävää varten uusi malli.
HOST oppi tutkimusryhmän kokeissa uusia taitoja keskimäärin 29 sekunnin videosta ja saavutti 62 prosentin onnistumisasteen 50 tehtävässä.
Generalist AI:n mukaan GEN 1.5 tarvitsee uuden tehtävän aloittamiseen 3–12 sekunnin demonstraation, mutta tuloksia ei ole vielä varmennettu vastaavalla riippumattomalla testillä.
Teknologian suurin lupaus on opettamisen muuttuminen ohjelmoinnista näyttämiseksi – ei se, että robotit pärjäisivät ilman laajaa ennakkokoulutusta.
How do the two research efforts, HOST from Beijing Institute of Technology, X Square Robot, and Tsinghua University and GEN 1.5 from GeneralAI-generated editorial hero image for How do the two research efforts, HOST from Beijing Institute of Technology, X Square Robot, and Tsinghua University and GEN 1.5 from General.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: How do the two research efforts, HOST from Beijing Institute of Technology, X Square Robot, and Tsinghua University and GEN 1.5 from General. Article summary: Both efforts move robot learning from task specific retraining toward inference time imitation: a pretrained system treats a brief demonstration as context and immediately controls the robot accordingly.. Topic tags: general web, ai safety, prompt engineering, ai, workflow. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
openai.com
Robottien opettaminen on perinteisesti vaatinut runsaasti tehtäväkohtaista dataa, etähallintaa ja mallin hienosäätöä. HOST ja GEN-1.5 lähestyvät ongelmaa toisin: valmiiksi laajasti koulutettu järjestelmä näkee lyhyen ihmisen tekemän demonstraation kontekstina ja yrittää suorittaa tehtävän heti, ilman mallin parametrien päivittämistä.
HOST tarjoaa tästä vahvemman akateemisen näytön. GEN-1.5 puolestaan on Generalist AI:n lupaava, mutta pääosin yhtiön itse raportoima tulos.
Kaksi erilaista lähestymistapaa
Ominaisuus
HOST
GEN-1.5
Perusidea
Yhden videon visuaalinen jäljittelypolitiikka yhdistää robotin toiminnan ihmisen demonstraatioon ja kohdistaa suorituksen oikeaan tehtävävaiheeseen itseensä perustuvan ennusteen avulla.
Laaja multimodaalinen robotiikan perustamalli käsittelee sensorimotorista demonstraatiota niin sanottuna fyysisenä kehotteena ja tuottaa sen perusteella robotin liikkeet.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Voiko robotti oppia uuden taidon yhdestä videosta?"?
HOST ja GEN 1.5 käyttävät lyhyttä demonstraatiovideota kontekstina sen sijaan, että robotille koulutettaisiin jokaista tehtävää varten uusi malli.
What are the key points to validate first?
HOST ja GEN 1.5 käyttävät lyhyttä demonstraatiovideota kontekstina sen sijaan, että robotille koulutettaisiin jokaista tehtävää varten uusi malli. HOST oppi tutkimusryhmän kokeissa uusia taitoja keskimäärin 29 sekunnin videosta ja saavutti 62 prosentin onnistumisasteen 50 tehtävässä.
What should I do next in practice?
Generalist AI:n mukaan GEN 1.5 tarvitsee uuden tehtävän aloittamiseen 3–12 sekunnin demonstraation, mutta tuloksia ei ole vielä varmennettu vastaavalla riippumattomalla testillä.
Voiko robotti oppia uuden taidon yhdestä videosta?
HOST ja GEN 1.5 käyttävät lyhyttä demonstraatiovideota kontekstina sen sijaan, että robotille koulutettaisiin jokaista tehtävää varten uusi malli. HOST oppi tutkimusryhmän kokeissa uusia taitoja keskimäärin 29 sekunnin videosta ja saavutti 62 prosentin onnistumisasteen 50 tehtävässä.
JulkaisijaMuokattu mallilla GPT-5.6 LunaKuvat luotu mallilla GPT Image 1.5
HOST ja GEN 1.5 käyttävät lyhyttä demonstraatiovideota kontekstina sen sijaan, että robotille koulutettaisiin jokaista tehtävää varten uusi malli.
HOST oppi tutkimusryhmän kokeissa uusia taitoja keskimäärin 29 sekunnin videosta ja saavutti 62 prosentin onnistumisasteen 50 tehtävässä.
Generalist AI:n mukaan GEN 1.5 tarvitsee uuden tehtävän aloittamiseen 3–12 sekunnin demonstraation, mutta tuloksia ei ole vielä varmennettu vastaavalla riippumattomalla testillä.
Teknologian suurin lupaus on opettamisen muuttuminen ohjelmoinnista näyttämiseksi – ei se, että robotit pärjäisivät ilman laajaa ennakkokoulutusta.
How do the two research efforts, HOST from Beijing Institute of Technology, X Square Robot, and Tsinghua University and GEN 1.5 from GeneralAI-generated editorial hero image for How do the two research efforts, HOST from Beijing Institute of Technology, X Square Robot, and Tsinghua University and GEN 1.5 from General.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: How do the two research efforts, HOST from Beijing Institute of Technology, X Square Robot, and Tsinghua University and GEN 1.5 from General. Article summary: Both efforts move robot learning from task specific retraining toward inference time imitation: a pretrained system treats a brief demonstration as context and immediately controls the robot accordingly.. Topic tags: general web, ai safety, prompt engineering, ai, workflow. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
openai.com
Robottien opettaminen on perinteisesti vaatinut runsaasti tehtäväkohtaista dataa, etähallintaa ja mallin hienosäätöä. HOST ja GEN-1.5 lähestyvät ongelmaa toisin: valmiiksi laajasti koulutettu järjestelmä näkee lyhyen ihmisen tekemän demonstraation kontekstina ja yrittää suorittaa tehtävän heti, ilman mallin parametrien päivittämistä.
HOST tarjoaa tästä vahvemman akateemisen näytön. GEN-1.5 puolestaan on Generalist AI:n lupaava, mutta pääosin yhtiön itse raportoima tulos.
Kaksi erilaista lähestymistapaa
Ominaisuus
HOST
GEN-1.5
Perusidea
Yhden videon visuaalinen jäljittelypolitiikka yhdistää robotin toiminnan ihmisen demonstraatioon ja kohdistaa suorituksen oikeaan tehtävävaiheeseen itseensä perustuvan ennusteen avulla.
Laaja multimodaalinen robotiikan perustamalli käsittelee sensorimotorista demonstraatiota niin sanottuna fyysisenä kehotteena ja tuottaa sen perusteella robotin liikkeet.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Voiko robotti oppia uuden taidon yhdestä videosta?"?
HOST ja GEN 1.5 käyttävät lyhyttä demonstraatiovideota kontekstina sen sijaan, että robotille koulutettaisiin jokaista tehtävää varten uusi malli.
What are the key points to validate first?
HOST ja GEN 1.5 käyttävät lyhyttä demonstraatiovideota kontekstina sen sijaan, että robotille koulutettaisiin jokaista tehtävää varten uusi malli. HOST oppi tutkimusryhmän kokeissa uusia taitoja keskimäärin 29 sekunnin videosta ja saavutti 62 prosentin onnistumisasteen 50 tehtävässä.
What should I do next in practice?
Generalist AI:n mukaan GEN 1.5 tarvitsee uuden tehtävän aloittamiseen 3–12 sekunnin demonstraation, mutta tuloksia ei ole vielä varmennettu vastaavalla riippumattomalla testillä.
Ihmisen video, tekstimuotoinen ohje, robotin viimeisimmät havainnot ja proprioseptiikka eli tieto robotin omasta asennosta ja liikkeestä. Tuloksena ovat robotin toiminnot ilman parametripäivityksiä.
Enintään noin 30 sekunnin videomuisti sekä sensorit, kieli ja proprioseptiikka. Malli tuottaa toimintoratoja 100 hertsin taajuudella.
Koulutuksen perusta
Kaksivaiheinen prosessi: esikoulutus 193 462 robottiradalla 229 tehtävässä ja sen jälkeen sopeutus 5 847 itse kerätyllä ihmisvideo–robottirata-parilla.
Yhtiö kertoo mallin jatkuvasta, yli kahdeksan kuukautta kestäneestä koulutuksesta todellisella fyysisen vuorovaikutuksen datalla. Esikoulutuksessa ei sen mukaan käytetty simulaatiodataa.
Yhden demonstraation kesto
Keskimäärin noin 29 sekuntia uuden taidon hankkimiseen.
Yhtiön ilmoittama aika on 3–12 sekuntia.
Tarvitaanko perinteistä uudelleenkoulutusta?
Ei. Taito hankitaan päättelyvaiheessa ilman tehtäväkohtaista parametripäivitystä.
Ei yhden demonstraation tapauksessa: Generalist AI:n mukaan gradienttipäivityksiä tai hienosäätöä ei tarvita.
Tehtävien laajuus
Kokeissa 50 uutta käsittelytehtävää, joissa vaihtelivat esineet, työkalut ja liikkeen perusmuodot. Kutakin tehtävää kokeiltiin 20 kertaa.
Julkisissa esimerkeissä robotti avaa purkin, avaa vetoketjullisen pussin, pyyhkäisee esineen kulhoon, laittaa tussin kuppiin, kaataa pultteja ja käyttää työkaluja. Julkisesti kuvattu tehtäväkokonaisuus ei kuitenkaan ole yhtä tarkasti määritelty.
Onnistumisaste
Keskimäärin 62 prosenttia uusissa tehtävissä.
Generalist AI on raportoinut 59 prosentin keskimääräisen onnistumisasteen kymmenessä erilaisessa käsittelytehtävässä, mutta tulosta ei ole riippumattomasti varmennettu vastaavalla tavalla.
Vertailu ja lisäsopeutus
Tutkimuksen mukaan tulos oli 45 prosenttia parempi kuin vahvimmalla nollanäytön jäljittelyyn perustuvalla vertailumenetelmällä ja parempi kuin valvottu hienosäätö, jossa käytettiin 50 robottidemonstraatiota tehtävää kohden.
Jos yksi demonstraatio ei riitä, yhtiö kertoo mallin voivan sopeutua 1–10 gradienttiaskeleella 1–5 minuutin aineistolla, joka vastaa noin 10–50 demonstraatiota.
Tehokkuusväite
Uuden taidon hankinnan väitetään olevan noin 507 kertaa nopeampaa kuin valvotussa hienosäädössä, jossa käytetään 50 robottidemonstraatiota tehtävää kohden.
Yhtiö vertaa 3–12 sekunnin kehotetta perinteiseen koulutukseen, joka voi vaatia kymmeniätuhansia gradienttiaskeleita. Vertailua ei ole riippumattomasti benchmarkattu.
Mitä HOST oikeastaan tekee?
HOST ei pyri vain muuttamaan ihmisen käsivarren liikkeitä robotin nivelkulmiksi. Sen sijaan video toimii etenemissuunnitelmana: järjestelmä arvioi, missä vaiheessa tehtävää ihminen on, suhteuttaa tämän robotin omiin havaintoihin ja ennustaa, millainen lopputulos robotin näkökulmasta pitäisi olla.
Robotin ei siis tarvitse olla ihmisen fyysinen kopio. Sen on tunnistettava tehtävän tavoite ja pääteltävä omasta tilanteestaan, millä liikkeillä tavoite voidaan saavuttaa. Tämä on tärkeä ero verrattuna suoraan liikeradan toistamiseen.
HOSTin 50 tehtävän ja 20 toiston testi antaa viitteitä siitä, että lähestymistapa yleistyy uusiin esineisiin, työkaluihin ja käsittelytapoihin. Keskimääräinen 62 prosentin onnistumisaste kertoo kuitenkin samalla, ettei kyse ole vielä kaikissa tilanteissa luotettavasti toimivasta järjestelmästä.
Tutkimuksessa raportoitiin myös kokeita, joissa valaistus, esineet, ympäristö tai ihminen muuttuivat. Näissä tilanteissa perustason tulos heikkeni ilmoitetusti 1, 4, 6 ja 9 prosenttia vastaavasti.
GEN-1.5 tekee demonstraatiosta ”fyysisen kehotteen”
Generalist AI kuvaa GEN-1.5:tä laajaksi ruumiilliseksi eli fyysiseksi perustamalliksi. Ajatus muistuttaa kielimallien kontekstin hyödyntämistä: videota ei muuteta uudeksi koulutusdataksi, vaan se sijoitetaan mallin käytettävissä olevaan kontekstiin. Malli päättelee siitä, mitä seuraavaksi pitäisi tehdä.
Yhtiö kertoo GEN-1.5:n pystyvän muun muassa siirtämään ihmisen esittämän toiminnan robotille, yhdistämään kaksi demonstraatiolla annettua käyttäytymistä ja siirtämään simulaatiossa näytetyn toiminnan fyysiseen robottiin.
Samalla on tärkeää huomata, ettei ”ilman koulutusta” tarkoita, ettei koulutusta olisi tarvittu lainkaan. Yhden videon kehote ei vaadi uutta päivitystä, mutta vaikeammissa tehtävissä Generalist AI tarjoaa erillisen few-shot-sopeutuksen, jossa mallia päivitetään muutaman gradienttiaskeleen ajan.
Miksi tämä muuttaa robottien opettamista?
Käytännössä käyttöliittymä voisi muuttua merkittävästi. Robotille ei tarvitsisi aina ohjelmoida liikkeitä rivi riviltä, suunnitella palkkiofunktiota tai kerätä satoja robotin omia demonstraatioita. Sen sijaan ihminen voisi näyttää tehtävän kerran.
Tässä on kuitenkin olennainen täsmennys: robotit eivät opi tyhjästä. Niiden taustalla on kallis, laajamittainen esikoulutus, joka on jo ammentanut tietoa fyysisestä maailmasta, esineistä ja liikkeistä. Uusi demonstraatio kertoo järjestelmälle, mikä tavoite ja toimintatapa juuri nyt ovat.
Kustannus siis siirtyy osittain etukäteen tehtävään yleiseen koulutukseen. Loppukäyttäjän näkökulmasta uuden tehtävän opettaminen voi silti nopeutua huomattavasti. HOST tekee väitteen konkreettiseksi noin 29 sekunnin hankinta-ajalla ja raportoidulla 507-kertaisella nopeusedulla.
Näytön rajat ovat yhtä tärkeitä kuin lupaus
HOST on akateeminen esijulkaisu, ei osoitus avoimen maailman luotettavuudesta. Sen tulokset perustuvat kontrolloituun laboratorioarviointiin 50 valitulla uudella tehtävällä, ja keskimääräinen onnistumisaste oli 62 prosenttia. Kotitalouksien, teollisuuden, pitkien tehtäväketjujen, turvallisuuskriittisten tilanteiden ja riippumattomien toistokokeiden tulokset ovat edelleen avoinna.
GEN-1.5:n näyttöä on vaikeampi arvioida ulkopuolelta. Mallia, koulutuksen kestoa, simulaatiodatan puuttumista, demonstraatioiden pituutta ja sopeutusväitteitä koskevat tiedot ovat Generalist AI:n julkaisemia tai sen ilmoituksiin perustuvia.
GEN-1.5:lle ei ole vielä vastaavaa julkista vertailukoetta. Saatavilla ei ole riittävästi riippumatonta tietoa standardoidusta tehtävämäärästä, koejärjestelystä, yhden demonstraation kokonaisonnistumisasteesta, vertailumenetelmistä, mallin ja datan julkaisemisesta tai kolmannen osapuolen toistosta.
Siksi GEN-1.5:n videot ovat näyttöä kiinnostavasta potentiaalista, eivät vielä vahvistettu osoitus alan parhaasta suorituskyvystä. HOST puolestaan osoittaa, että parametrien päivittämättä jättäminen ja yhden videon perusteella tapahtuva taidon hankinta voivat toimia määritellyssä käsittelytestissä.
Kokonaiskuva on silti lupaava: robotteja opetetaan vähitellen enemmän ihmisten tavoin – näyttämällä, ei pelkästään ohjelmoimalla. Käytännön robotiikassa tarvitaan kuitenkin edelleen tehtävien validointia, turvallisuussuunnittelua ja usein myös lisäsopeutusta ennen kuin nämä järjestelmät ovat valmiita hallitsemattomiin ympäristöihin.
forum.gnoppix.org
GEN-1.5: Generalist AI teaches robots new tasks from a single demo
Ihmisen video, tekstimuotoinen ohje, robotin viimeisimmät havainnot ja proprioseptiikka eli tieto robotin omasta asennosta ja liikkeestä. Tuloksena ovat robotin toiminnot ilman parametripäivityksiä.
Enintään noin 30 sekunnin videomuisti sekä sensorit, kieli ja proprioseptiikka. Malli tuottaa toimintoratoja 100 hertsin taajuudella.
Koulutuksen perusta
Kaksivaiheinen prosessi: esikoulutus 193 462 robottiradalla 229 tehtävässä ja sen jälkeen sopeutus 5 847 itse kerätyllä ihmisvideo–robottirata-parilla.
Yhtiö kertoo mallin jatkuvasta, yli kahdeksan kuukautta kestäneestä koulutuksesta todellisella fyysisen vuorovaikutuksen datalla. Esikoulutuksessa ei sen mukaan käytetty simulaatiodataa.
Yhden demonstraation kesto
Keskimäärin noin 29 sekuntia uuden taidon hankkimiseen.
Yhtiön ilmoittama aika on 3–12 sekuntia.
Tarvitaanko perinteistä uudelleenkoulutusta?
Ei. Taito hankitaan päättelyvaiheessa ilman tehtäväkohtaista parametripäivitystä.
Ei yhden demonstraation tapauksessa: Generalist AI:n mukaan gradienttipäivityksiä tai hienosäätöä ei tarvita.
Tehtävien laajuus
Kokeissa 50 uutta käsittelytehtävää, joissa vaihtelivat esineet, työkalut ja liikkeen perusmuodot. Kutakin tehtävää kokeiltiin 20 kertaa.
Julkisissa esimerkeissä robotti avaa purkin, avaa vetoketjullisen pussin, pyyhkäisee esineen kulhoon, laittaa tussin kuppiin, kaataa pultteja ja käyttää työkaluja. Julkisesti kuvattu tehtäväkokonaisuus ei kuitenkaan ole yhtä tarkasti määritelty.
Onnistumisaste
Keskimäärin 62 prosenttia uusissa tehtävissä.
Generalist AI on raportoinut 59 prosentin keskimääräisen onnistumisasteen kymmenessä erilaisessa käsittelytehtävässä, mutta tulosta ei ole riippumattomasti varmennettu vastaavalla tavalla.
Vertailu ja lisäsopeutus
Tutkimuksen mukaan tulos oli 45 prosenttia parempi kuin vahvimmalla nollanäytön jäljittelyyn perustuvalla vertailumenetelmällä ja parempi kuin valvottu hienosäätö, jossa käytettiin 50 robottidemonstraatiota tehtävää kohden.
Jos yksi demonstraatio ei riitä, yhtiö kertoo mallin voivan sopeutua 1–10 gradienttiaskeleella 1–5 minuutin aineistolla, joka vastaa noin 10–50 demonstraatiota.
Tehokkuusväite
Uuden taidon hankinnan väitetään olevan noin 507 kertaa nopeampaa kuin valvotussa hienosäädössä, jossa käytetään 50 robottidemonstraatiota tehtävää kohden.
Yhtiö vertaa 3–12 sekunnin kehotetta perinteiseen koulutukseen, joka voi vaatia kymmeniätuhansia gradienttiaskeleita. Vertailua ei ole riippumattomasti benchmarkattu.
Mitä HOST oikeastaan tekee?
HOST ei pyri vain muuttamaan ihmisen käsivarren liikkeitä robotin nivelkulmiksi. Sen sijaan video toimii etenemissuunnitelmana: järjestelmä arvioi, missä vaiheessa tehtävää ihminen on, suhteuttaa tämän robotin omiin havaintoihin ja ennustaa, millainen lopputulos robotin näkökulmasta pitäisi olla.
Robotin ei siis tarvitse olla ihmisen fyysinen kopio. Sen on tunnistettava tehtävän tavoite ja pääteltävä omasta tilanteestaan, millä liikkeillä tavoite voidaan saavuttaa. Tämä on tärkeä ero verrattuna suoraan liikeradan toistamiseen.
HOSTin 50 tehtävän ja 20 toiston testi antaa viitteitä siitä, että lähestymistapa yleistyy uusiin esineisiin, työkaluihin ja käsittelytapoihin. Keskimääräinen 62 prosentin onnistumisaste kertoo kuitenkin samalla, ettei kyse ole vielä kaikissa tilanteissa luotettavasti toimivasta järjestelmästä.
Tutkimuksessa raportoitiin myös kokeita, joissa valaistus, esineet, ympäristö tai ihminen muuttuivat. Näissä tilanteissa perustason tulos heikkeni ilmoitetusti 1, 4, 6 ja 9 prosenttia vastaavasti.
GEN-1.5 tekee demonstraatiosta ”fyysisen kehotteen”
Generalist AI kuvaa GEN-1.5:tä laajaksi ruumiilliseksi eli fyysiseksi perustamalliksi. Ajatus muistuttaa kielimallien kontekstin hyödyntämistä: videota ei muuteta uudeksi koulutusdataksi, vaan se sijoitetaan mallin käytettävissä olevaan kontekstiin. Malli päättelee siitä, mitä seuraavaksi pitäisi tehdä.
Yhtiö kertoo GEN-1.5:n pystyvän muun muassa siirtämään ihmisen esittämän toiminnan robotille, yhdistämään kaksi demonstraatiolla annettua käyttäytymistä ja siirtämään simulaatiossa näytetyn toiminnan fyysiseen robottiin.
Samalla on tärkeää huomata, ettei ”ilman koulutusta” tarkoita, ettei koulutusta olisi tarvittu lainkaan. Yhden videon kehote ei vaadi uutta päivitystä, mutta vaikeammissa tehtävissä Generalist AI tarjoaa erillisen few-shot-sopeutuksen, jossa mallia päivitetään muutaman gradienttiaskeleen ajan.
Miksi tämä muuttaa robottien opettamista?
Käytännössä käyttöliittymä voisi muuttua merkittävästi. Robotille ei tarvitsisi aina ohjelmoida liikkeitä rivi riviltä, suunnitella palkkiofunktiota tai kerätä satoja robotin omia demonstraatioita. Sen sijaan ihminen voisi näyttää tehtävän kerran.
Tässä on kuitenkin olennainen täsmennys: robotit eivät opi tyhjästä. Niiden taustalla on kallis, laajamittainen esikoulutus, joka on jo ammentanut tietoa fyysisestä maailmasta, esineistä ja liikkeistä. Uusi demonstraatio kertoo järjestelmälle, mikä tavoite ja toimintatapa juuri nyt ovat.
Kustannus siis siirtyy osittain etukäteen tehtävään yleiseen koulutukseen. Loppukäyttäjän näkökulmasta uuden tehtävän opettaminen voi silti nopeutua huomattavasti. HOST tekee väitteen konkreettiseksi noin 29 sekunnin hankinta-ajalla ja raportoidulla 507-kertaisella nopeusedulla.
Näytön rajat ovat yhtä tärkeitä kuin lupaus
HOST on akateeminen esijulkaisu, ei osoitus avoimen maailman luotettavuudesta. Sen tulokset perustuvat kontrolloituun laboratorioarviointiin 50 valitulla uudella tehtävällä, ja keskimääräinen onnistumisaste oli 62 prosenttia. Kotitalouksien, teollisuuden, pitkien tehtäväketjujen, turvallisuuskriittisten tilanteiden ja riippumattomien toistokokeiden tulokset ovat edelleen avoinna.
GEN-1.5:n näyttöä on vaikeampi arvioida ulkopuolelta. Mallia, koulutuksen kestoa, simulaatiodatan puuttumista, demonstraatioiden pituutta ja sopeutusväitteitä koskevat tiedot ovat Generalist AI:n julkaisemia tai sen ilmoituksiin perustuvia.
GEN-1.5:lle ei ole vielä vastaavaa julkista vertailukoetta. Saatavilla ei ole riittävästi riippumatonta tietoa standardoidusta tehtävämäärästä, koejärjestelystä, yhden demonstraation kokonaisonnistumisasteesta, vertailumenetelmistä, mallin ja datan julkaisemisesta tai kolmannen osapuolen toistosta.
Siksi GEN-1.5:n videot ovat näyttöä kiinnostavasta potentiaalista, eivät vielä vahvistettu osoitus alan parhaasta suorituskyvystä. HOST puolestaan osoittaa, että parametrien päivittämättä jättäminen ja yhden videon perusteella tapahtuva taidon hankinta voivat toimia määritellyssä käsittelytestissä.
Kokonaiskuva on silti lupaava: robotteja opetetaan vähitellen enemmän ihmisten tavoin – näyttämällä, ei pelkästään ohjelmoimalla. Käytännön robotiikassa tarvitaan kuitenkin edelleen tehtävien validointia, turvallisuussuunnittelua ja usein myös lisäsopeutusta ennen kuin nämä järjestelmät ovat valmiita hallitsemattomiin ympäristöihin.
forum.gnoppix.org
GEN-1.5: Generalist AI teaches robots new tasks from a single demo
