AnswersPublished23 sources
Robotera VPP2 pärjäsi RoboDojossa, mutta tulos ei todista laajamittaista käyttöönottoa
Robotera raportoi VPP2:n saavuttaneen RoboDojo simulaatiovertailussa 32,26 prosentin onnistumisasteen ja 39,26 pisteen keskiarvon. VPP2 ennustaa ensin videolla, mitä tehtävässä voisi tapahtua, ja tuottaa vasta sen jälkeen robotin liikkeet.
JulkaisijaMuokattu mallilla GPT-6 LunaKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- Robotera raportoi VPP2:n saavuttaneen RoboDojo simulaatiovertailussa 32,26 prosentin onnistumisasteen ja 39,26 pisteen keskiarvon.
- VPP2 ennustaa ensin videolla, mitä tehtävässä voisi tapahtua, ja tuottaa vasta sen jälkeen robotin liikkeet.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What does the October 10, 2026 report reveal about Tsinghua University-backed Robotera’s open-source VPP2 world action model, including its. Article summary: The October 10 report presents VPP2 (Video Prediction Policy 2) as an open-source world action model with a reported RoboDojo-Sim lead and stronger real-robot zero-shot results than pi0.5—not as proof of large-scale comm. Topic tags: general, general web. 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 fake numbers, click
Robotera kertoo VPP2-mallinsa yhdistävän videon ennustamisen robotin liikkeiden tuottamiseen. RoboDojo-simulaatiotestissä yhtiö raportoi mallille 32,26 prosentin keskimääräisen onnistumisasteen ja 39,26 pisteen keskiarvon. VPP2 sijoittui kärkeen myös yleistämisen, tarkkuuden ja muistin osa-alueilla. Erillisessä oikean robotin kokeessa mallin nollakokeilun onnistumisaste oli 58,5 prosenttia. Tulokset ovat kiinnostavia, mutta ne eivät osoita VPP2:n olevan laajassa käytössä. 2
6
Mitä RoboDojo-testissä arvioidaan?
Hongkongin yliopiston MMLabin ja akateemisten yhteistyökumppaneiden kehittämä RoboDojo arvioi robotin esineiden käsittelyä 42 kaksikätisessä tehtävässä. Tehtävät testaavat yleistämistä, tarkkuutta, pitkien tehtäväsarjojen suorittamista, muistia ja avointen sanallisten ohjeiden noudattamista. Vertailussa mitataan sekä tehtävien onnistumista että keskimääräistä pistemäärää, joten tulos ei perustu vain siihen, valmistuiko tehtävä vai ei. 5
6
Robotera raportoi VPP2:n olleen tulosten julkistamisen aikaan RoboDojon simulaatiovertailun kärjessä: onnistumisaste oli 32,26 % ja keskimääräinen pistemäärä 39,26. Malli sijoittui ensimmäiseksi yleistämisessä, tarkkuudessa ja muistissa. Kyse on simulaatiotuloksesta; RoboDojon simulaatio- ja oikean maailman tulostaulukot ovat erilliset. 2
6
Julkaistussa jälkikoulutuksen jälkeisessä vertailussa GPT-6-Astran onnistumisaste oli 22,48 % ja keskimääräinen pistemäärä 28,97. Näillä mittareilla VPP2:n etumatka oli 9,78 prosenttiyksikköä onnistumisasteessa ja 10,29 pistettä keskimääräisessä tuloksessa. Lukuja on syytä tarkastella kyseisen arvioinnin yhteydessä, ei yleispätevänä paremmuusjärjestyksenä kaikissa robottitehtävissä. 6
Myös väitteeseen ”ykkössijasta” liittyy ajankohtaan sidottu varaus. RoboDojon historiassa Simate-beta on merkitty simulaatiotaulukkoon ennen VPP2:n 8. lokakuuta päivättyä tulosta. Simate oli lisäksi erikseen väittänyt mallinsa sijoittuneen kärkeen. Sijoitus kuvaa siis tiettyä tulostaulukkoa ja ajankohtaa, ei kaikkien malliversioiden tai todellisen maailman suorituskyvyn pysyvää paremmuusjärjestystä. 6
12
Mitä tarkoittaa väite lisädatan puuttumisesta?
Robotera sanoi saavuttaneensa vertailutuloksen ilman lisädataa tai agenttipohjaista vahvistusoppimiseen perustuvaa itseparantamista. Väite ei kuitenkaan tarkoita, että VPP2 olisi kehitetty ilman laajaa videoaineistoa. Menetelmäkuvauksen mukaan malli pohjautuu esikoulutettuun Wan2.1-I2V-14B-malliin, jonka esikoulutusta jatkettiin robottien käsittelytehtäviä, ihmisten toimintaa ja yleisiä videoita sisältävällä aineistolla. 25
9
11
Ero on olennainen: ”ei lisädataa” viittaa yhtiön mukaan vertailutulokseen ja erillisten itseparannusmenetelmien puuttumiseen. Mallin kuvattu kehitys perustuu silti koottuun videoaineistoon ja laajaan esikoulutukseen. 9
11
Ensin ennuste, sitten robotin liike
VPP2:n keskeinen ratkaisu on kouluttaa videon ennustamista ennen toimintojen tuottamista, nopeuttaa ennustamista ja lisätä liikkeiden generointi vasta tämän jälkeen. Ajatuksena on, että arvio tulevasta näkymästä auttaa robottia valitsemaan liikkeensä ja että toimintojen koulutus ei samalla heikennä videomallin yleistämiskykyä. 9
11
- Malli oppii ennustamaan käsittelytilanteita. Wan2.1-I2V-14B-mallin esikoulutusta jatketaan robottien käsittelyä, ihmisten toimintaa ja yleisiä videoita sisältävällä aineistolla. Videot kuvataan yksityiskohtaisesti ja jäsennetään tapahtumien mukaan, jotta malli oppii ennustamaan toimintaa erilaisissa tehtävissä.
9
11
- Ennustamisesta tehdään nopeampaa. Seuraavassa vaiheessa malli opetetaan ennustamaan kiinteän, kahdeksan sekunnin aikajänteen yli. Konsistenssitislauksella usean vaiheen generointi tiivistetään yhden vaiheen visuaaliseksi suunnittelijaksi. Raportoitu videon ennustusaika on noin 0,12 sekuntia.
18
- Ennusteesta johdetaan toiminta. Viimeisessä vaiheessa malliin lisätään 0,9 miljardin parametrin Action DiT, joka yhdistetään videomalliin niin sanotulla mixture-of-transformers-rakenteella. Kuvatussa koulutuksessa videomallin perusrunko jää aluksi jäädytetyksi, ja toimintakomponenttia mukautetaan LoRA-menetelmällä. Tavoitteena on säilyttää videomallin oppimat ennustekyvyt.
4
Robotille tuotettavan kahden sekunnin toimintajakson generointiajaksi raportoidaan noin 0,1 sekuntia. Kun tähän lisätään noin 0,12 sekunnin videon ennustus, ajat ovat yhteensä noin 0,22 sekuntia kuvatussa kokeellisessa asetelmassa. Kyse ei ole kaikilla laitteilla pätevästä nopeustakuusta. 11
21
Tuloksia myös oikealla robotilla ja LIBERO-testissä
Oikealla ALOHA-kaksikätisellä robotilla VPP2:n raportoitu keskimääräinen onnistumisaste oli 58,5 % kymmenessä tehtävätyypissä, kun Physical Intelligencen pi0.5:n tulos oli 40 %. Ero oli tässä arvioinnissa 18,5 prosenttiyksikköä. Fyysisen robotin kokeet ovat erillisiä RoboDojon simulaatiotuloksista, eikä niitä voi suoraan rinnastaa toisiinsa. 2
6
Projektin GitHub-repositoriossa raportoidaan lisäksi 45,00 % LIBERO-Pro-testissä ja 63,93 % muokatussa LIBERO-OOD-testissä. OOD-tuloksen yhteydessä mainittu muokattu testausmenetelmä on tärkeä huomio, kun lukua verrataan eri asetelmissa saatuihin tuloksiin. 17
Avoin lähdekoodi ei vielä tarkoita laajaa käyttöönottoa
VPP2:n virallinen GitHub-repositorio sisältää tietoa toteutuksesta ja julkaisusta. Julkaisumerkintöjen mukaan videomallin painot tulivat saataville 10. lokakuuta ja RoboDojon historiatietoon perustuvan videokoulutuksen koodi 12. lokakuuta. Julkaisu tapahtui siis vaiheittain, ei yhtenä valmiina kokonaisuutena yhtenä päivänä. 3
22
Saatavilla oleva näyttö tukee raportoituja vertailutuloksia, kokeita oikealla robotilla ja mallin avoimen lähdekoodin saatavuutta. Se ei osoita, että VPP2 toimisi laajassa kaupallisessa logistiikkakäytössä. Vaikka yhtiöllä olisi muissa yhteyksissä käytössä logistiikkaratkaisuja, se ei yksin todista, että niissä käytetään juuri tätä mallia.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Robotera VPP2 pärjäsi RoboDojossa, mutta tulos ei todista laajamittaista käyttöönottoa"?
Robotera raportoi VPP2:n saavuttaneen RoboDojo simulaatiovertailussa 32,26 prosentin onnistumisasteen ja 39,26 pisteen keskiarvon.
What are the key points to validate first?
Robotera raportoi VPP2:n saavuttaneen RoboDojo simulaatiovertailussa 32,26 prosentin onnistumisasteen ja 39,26 pisteen keskiarvon. VPP2 ennustaa ensin videolla, mitä tehtävässä voisi tapahtua, ja tuottaa vasta sen jälkeen robotin liikkeet.