AnswersPublished17 sources
PhysBrain 1.5 yhdistää robotin havainnot, liikkeet ja ennusteet
PhysBrain 1.5 tuottaa samalla autoregressiivisellä mallilla vastauksia ympäristöstä, robotin liikeratoja ja ennusteita tulevista näkymistä. DeepCybon mukaan 8B version keskiarvo oli 72,5 yhteensä 28 ymmärrystestissä – paras sen vertaamista avoimista malleista.
JulkaisijaMuokattu mallilla GPT-6 SolKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- PhysBrain 1.5 tuottaa samalla autoregressiivisellä mallilla vastauksia ympäristöstä, robotin liikeratoja ja ennusteita tulevista näkymistä.
- DeepCybon mukaan 8B version keskiarvo oli 72,5 yhteensä 28 ymmärrystestissä – paras sen vertaamista avoimista malleista.
- 2B ja 8B versioiden painot ovat saatavilla, mutta testipisteet eivät osoita, että robotti suorittaisi tehtävät luotettavasti käytännössä.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is DeepCybo’s open-source PhysBrain 1.5 physical foundation model, how do its 2B and 8B versions unify embodied understanding, action g. Article summary: PhysBrain 1.5 is DeepCybo’s open-weight attempt to put scene understanding, robot-action generation, and prediction of what happens next into one vision-language model. Its published 28-benchmark result is strong evidenc. Topic tags: general, academic, general web, user generated. 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, char
PhysBrain 1.5:n ajatus on yhdistää kolme robotille tärkeää kykyä: ympäristön tulkinta, liikkeen tuottaminen ja sen ennustaminen, miltä ympäristö näyttää liikkeen jälkeen. DeepCybon julkaisemia tuloksia kannattaa kuitenkin lukea oikeassa mittakaavassa. Ne koskevat ensisijaisesti fyysiseen ympäristöön liittyvää ymmärrystä, eivät robotin mitattua onnistumisprosenttia tosielämän tehtävissä. 1
9
10
Miten yksi malli hoitaa kolme tehtävää?
PhysBrain 1.5:n 2B- ja 8B-versiot perustuvat vastaaviin Qwen3-VL-kuva–kielimalleihin. Ne esittävät kieli- ja paikkatietovastaukset, robotin tarttujan kaltaisen työkalun liikkeet sekä ennustetut tulevat näkymät erillisinä, peräkkäisinä tunnuksina eli tokeneina. Ennusteisiin kuuluu RGB-kuvaa, syvyystietoa ja tietoa siitä, minkä tilan robotti vie näkymässä. Mallia koulutetaan ennustamaan seuraava token sen sijaan, että jokaiselle tehtävälle olisi oma erillinen ulostulo-osansa. 1
8
10
Yhteinen esitystapa mahdollistaa ympäristön kuvauksen, ehdotetun liikkeen ja sen ennustetun seurauksen käsittelyn samassa autoregressiivisessä mallissa. Liikeradan tuottaminen ei silti tarkoita, että robotti olisi toteuttanut sen onnistuneesti. 1
8
Koulutus ei perustu pelkkiin ihmisvideoihin
DeepCybo kuvaa kaksivaiheisen koulutuksen. Esikoulutuksessa käytetään tehtäväkeskeisiä videoita ihmisten toiminnasta: tilanteen ja tehtävän tiedot yhdistetään videosta rekonstruoituun liikkeeseen ja myöhempiin havaintoihin. Sen jälkeen mallia hienosäädetään ohjatusti aineistolla, jossa on ihmisten esimerkkejä, robottien liikeratoja ja simuloituja kokemuksia. Väite, että koko malli olisi koulutettu vain ihmisvideoilla, jättäisi siis hienosäätövaiheen huomiotta. 1
12
Mitä 28 testin pisteet osoittavat?
DeepCybon mukaan PhysBrain 1.5-8B sai 72,5 pisteen keskiarvon 28 testissä. Se oli korkein tulos yrityksen vertaamien avoimien mallien joukossa ja paras avoimen mallin tulos 14 yksittäisessä testissä. Pienemmän 2B-version ilmoitettu keskiarvo on 66,6. Testit kattavat muun muassa visuaalisen ja kolmiulotteisen hahmottamisen, usean kuvakulman tulkinnan, toiminnan suunnittelun sekä liikeratoja koskevan päättelyn. 1
9
10
11
Yrityksen julkaisemassa vertailussa 8B-version tulos on lähellä suljettujen GPT-6-Astran (73,3) ja Gemini 3.6 Flashin (73,0) tuloksia. Kyse on DeepCybon raportoimasta vertailusta, ei riippumattomasta kaikkien saatavilla olevien mallien paremmuusjärjestyksestä – eikä robotin tehtävien suorituskyvyn mittauksesta. 1
18
Mitä ennen käyttöönottoa pitää tarkistaa?
DeepCybo on julkaissut 2B-version painot, 8B-version painot, teknisen raportin ja arviointiresursseja. Niiden avulla muut voivat tutkia malleja ja yrittää toistaa julkaistut tulokset. 1
9
10
11
Pelkkään keskiarvoon ei kannata nojata. Mallia arvioivan tiimin on syytä tarkistaa testikohtaiset tulokset, arvioinnin asetukset, mahdollinen koulutus- ja testiaineiston päällekkäisyys sekä se, onko vertailumalleja testattu samoilla ehdoilla. Käyttöönoton kannalta ratkaiseva koe on suljetun silmukan suoritus tarkoitetulla robotilla: onnistuuko tehtävä käytännössä, toipuuko järjestelmä virheistä ja täyttyvätkö viive- ja turvallisuusvaatimukset todellisilla esineillä ja olosuhteissa? Julkaistu ymmärrystestien keskiarvo ei korvaa näitä mittauksia. 1
9
10
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 "PhysBrain 1.5 yhdistää robotin havainnot, liikkeet ja ennusteet"?
PhysBrain 1.5 tuottaa samalla autoregressiivisellä mallilla vastauksia ympäristöstä, robotin liikeratoja ja ennusteita tulevista näkymistä.
What are the key points to validate first?
PhysBrain 1.5 tuottaa samalla autoregressiivisellä mallilla vastauksia ympäristöstä, robotin liikeratoja ja ennusteita tulevista näkymistä. DeepCybon mukaan 8B version keskiarvo oli 72,5 yhteensä 28 ymmärrystestissä – paras sen vertaamista avoimista malleista.
What should I do next in practice?
2B ja 8B versioiden painot ovat saatavilla, mutta testipisteet eivät osoita, että robotti suorittaisi tehtävät luotettavasti käytännössä.