Zeva क्या है और यह बिना फाइन-ट्यूनिंग रोबोट को कैसे ढालता है?

Zeva को रोबोटिक मैनिपुलेशन के लिए तैनाती-समय अनुकूलन (deployment-time adaptation) फ्रेमवर्क के रूप में पेश किया गया है। इसकी खासियत यह है कि Cosmos3-आधारित नीति मॉडल के वेट तैनाती के दौरान फ्रीज़ रहते हैं, फिर भी रोबोट अपनी कार्रवाई से हुए भौतिक परिणामों की ऑनलाइन मेमरी से अगली कोशिश में व्यवहार बदल सकता है। यानी परिचित collect–label–fine-tune चक्र के बजाय, यह अनुमान लगाने के समय निकाले गए कारणात्मक संदर्भ का सहारा लेता है। 15

Zeva कैसे काम करता है?

Zeva का विचार केवल यह याद रखना नहीं है कि रोबोट ने क्या देखा या क्या किया था। इसका लक्ष्य यह पकड़ना है कि किस कार्रवाई से वस्तु या वातावरण में कौन-सा बदलाव हुआ—और उस जानकारी को अगली कार्रवाई में काम में लेना है। इसके तीन मुख्य हिस्से हैं।

1. Causal Transition Encoder: कार्रवाई से परिणाम तक

हर कार्रवाई के बाद Causal Transition Encoder (CTE) दृश्य स्थिति, की गई कार्रवाई और दिखाई दिए बदलाव को एक छिपे हुए कारणात्मक-इंटरैक्शन प्रतिनिधित्व में बदलता है। यह कार्य की प्रगति या चरण बताने वाले टोकन को उस इंटरैक्शन संकेत से अलग करने की कोशिश करता है जो कार्रवाई से पैदा हुई गतिशीलता दिखाता है। उद्देश्य पृष्ठभूमि, रोशनी या अन्य संयोगवश दृश्य संकेतों के बजाय वास्तविक “कार्रवाई → प्रभाव” संबंध को पकड़ना है। 14

मसलन, रोबोट सिर्फ यह याद न रखे कि ग्रिपर एक दिशा में गया था, बल्कि यह समझे कि उसी पकड़ और उठाने की क्रिया से टेस्ट ट्यूब उठी या फिसल गई।

2. दो समय-पैमाने की मेमरी: BIT और PIM

Zeva मेमरी को दो परतों में बांटता है:

• Brief Interaction Trace (BIT): यह मौजूदा कोशिश के हालिया अनुभव को रखता है। इसका उपयोग ठीक पिछले कदम की गलती सुधारने या स्थानीय भौतिक परिस्थिति के अनुसार तुरंत ढलने में होता है। 1
• Persistent Interaction Memory (PIM): यह उसी एपिसोड में कई कोशिशों के बीच उपयोगी अनुभव को जमा और समेकित करता है। इस तरह पहले की असफल और सफल कोशिशें बाद के री-ट्राइ को प्रभावित कर सकती हैं। 1

सरल शब्दों में, BIT को कामकाजी या तात्कालिक मेमरी और PIM को बार-बार की कोशिशों से बनी अपेक्षाकृत टिकाऊ अनुभव-मे़मरी समझा जा सकता है। दोनों को अलग रखने का मकसद यह है कि एक बार की भ्रामक विफलता लंबे समय की मेमरी को आसानी से खराब न कर दे।

3. In-context policy injection: फ्रीज़ मॉडल तक अनुभव पहुंचाना

निर्णय लेते समय Zeva मेमरी से मौजूदा कार्य-चरण से मेल खाने वाले कारणात्मक अनुभव खोजता है। फिर उन्हें एक causal prompt के रूप में फ्रीज़ फाउंडेशन पॉलिसी के action-generation रास्ते में डालता है। 15

इसलिए नीति अपने पैरामीटर या ग्रेडिएंट बदले बिना संदर्भ के आधार पर नई कार्रवाई चुन सकती है। व्यवहारिक रूप से इसका अर्थ है कि नई वस्तु-स्थिति या अनजानी भौतिक प्रतिक्रिया मिलने पर नए लेबल, दोबारा ट्रेनिंग, अलग मॉडल संस्करण या डाउनटाइम की जरूरत कम हो सकती है। हालांकि यह सीखना है, पर यह स्थायी weight learning नहीं बल्कि मेमरी-आधारित in-context adaptation है। 16

रिपोर्ट किए गए प्रदर्शन नतीजे

पेपर और प्रोजेक्ट सामग्री में निम्न परिणाम बताए गए हैं:

• पांच-कार्य वाले RoboCasa365-Atomic5 सिमुलेशन उपसमूह पर Zeva ने 76.8% औसत सफलता रिपोर्ट की। तुलना में Fast-WAM के लिए 72.4% और Cosmos3-Nano के लिए 64.8% दर्ज है। 1
• प्रोजेक्ट सामग्री में कुल संचयी सफलता करीब 26% से चौथी विकास-कोशिश तक 73% पहुंचती दिखाई गई है। लेकिन उपलब्ध प्राथमिक सामग्री में यह ग्राफ RoboCasa365 के नाम से चिह्नित है, ChemLab-Evo के नाम से नहीं। इसलिए 26%→73% बढ़त को ChemLab-Evo से जोड़ना उपलब्ध प्राथमिक साक्ष्य से पुष्ट नहीं होता। 1
• वास्तविक ARX रोबोट पर ChemLab-Evo Level-1 कार्यों में बार-बार की कोशिशों के साथ ये सुधार रिपोर्ट किए गए:
  • Pick Up Test Tube: 65% से 100%
  • Place Beaker: 25% से 70%
  • Pour Water: 30% से 80% 1
• अंतिम Level-1 ChemLab-Evo तालिका में इन तीन कार्यों के लिए Zeva के स्कोर क्रमशः 100% / 70% / 80%, और औसत 83.3% है। Cosmos3-Nano के स्कोर 80% / 70% / 60% तथा Fast-WAM के 85% / 70% / 75% बताए गए हैं। 1

एक मानव डेमो से क्या फायदा होता है?

एक बार मनुष्य द्वारा भौतिक रूप से निर्देशित rollout को उसी इंटरैक्शन-मे़मरी प्रणाली में warm start की तरह दर्ज किया जा सकता है। मॉडल के वेट तब भी फ्रीज़ रहते हैं; बाद में नीति उस कार्रवाई-परिणाम संदर्भ से क्रम को दोहराने का प्रयास करती है। 6

उपलब्ध सामग्री one-shot human demonstration के इस गुणात्मक warm-up तंत्र की पुष्टि करती है। लेकिन बीकर रखने या पानी डालने के लिए इसके पहले और बाद के सत्यापित, विशिष्ट संख्यात्मक लाभ उपलब्ध नहीं हैं। इसलिए यही कहना उचित है कि इससे उन कार्यों को warm-start या बेहतर करने की रिपोर्ट है, न कि किसी निश्चित प्रतिशत सुधार का दावा। 6

कमजोर बेस मॉडल को फायदा अपेक्षाकृत अधिक क्यों मिल सकता है?

एक संभावित व्याख्या सुधार की अधिक गुंजाइश है। कमजोर प्रीट्रेन्ड पॉलिसी बदली हुई भौतिक व्यवस्था में ज्यादा व्यवस्थित गलतियां कर सकती है। ऐसी स्थिति में कार्रवाई के प्रभाव की स्पष्ट corrective memory से अधिक सुधार संभव है। मजबूत आधार मॉडल पहले ही अधिक बार सफल होता है, इसलिए ठीक की जा सकने वाली त्रुटियां कम बचती हैं।

फिर भी इसे सार्वभौमिक नियम नहीं मानना चाहिए। उपलब्ध प्राथमिक साक्ष्य तुलनात्मक परिणाम और तैनाती के दौरान सुधार दिखाता है; यह सिद्ध नहीं करता कि हर कार्य या हर मॉडल में कमजोर पॉलिसी को ही हमेशा ज्यादा लाभ मिलेगा। 1

परीक्षण के लिए रसायनशाला क्यों चुनी गई?

ChemLab-Evo में ऐसी भौतिक विविधताएं मिलती हैं जिनके परिणाम महत्वपूर्ण और अपेक्षाकृत स्पष्ट होते हैं: छोटी वस्तुओं की पकड़, कंटेनर का सही स्थान, पानी डालते समय झुकाव, और कई चरणों वाली प्रक्रियाएं। बेंचमार्क में ARX मैनिपुलेटर के सात कार्य हैं—टेस्ट ट्यूब उठाने, बीकर रखने और तरल डालने जैसी बुनियादी क्रियाओं से लेकर टाइट्रेशन, नमक का घोल बनाना, बैलेंस से तौलना और एक्सट्रैक्शन जैसी लंबी प्रक्रियाओं तक। 1

इससे यह जांचने का अवसर मिलता है कि रोबोट केवल दृश्य नकल नहीं कर रहा, बल्कि कार्रवाई और प्रभाव के याद रखे संबंधों को नई कोशिशों और मिलते-जुलते कौशलों में ले जा सकता है या नहीं।

व्यावहारिक सीमाएं और खुले सवाल

• अधिक संदर्भ और अनुमान लागत: मेमरी खोजने और causal prompt डालने से कंप्यूटेशन तथा context-processing का अतिरिक्त खर्च जुड़ता है। लंबी हिस्ट्री उपयोगी हो सकती है, लेकिन retrieval गुणवत्ता, latency और context capacity सीमाएं बन सकती हैं। बहुत लंबे वास्तविक तैनाती काल के लिए स्केलिंग प्रदर्शित नहीं की गई है। 1
• गलत या प्रदूषित मेमरी का जोखिम: गलत causal encoding, गलत चरण-मिलान या भ्रामक असफल rollout से हानिकारक संदर्भ वापस आ सकता है। BIT और PIM का अलगाव जोखिम कम करने का प्रयास है, सुरक्षित मेमरी समेकन की गारंटी नहीं। 1
• वस्तुओं और संपर्क के प्रकार सीमित हैं: वास्तविक परीक्षण मुख्यतः कठोर लैब वस्तुओं और तरल स्थानांतरण पर केंद्रित हैं। कपड़ा, केबल, खाद्य पदार्थ, मुलायम पैकेजिंग जैसी अत्यधिक विकृत होने वाली वस्तुओं, या बल एवं स्पर्श-संवेदना मांगने वाले कार्यों पर सामान्यीकरण सिद्ध नहीं है। 1
• नियंत्रित साइट बनाम निरंतर वास्तविक संचालन: मूल्यांकन में कोशिशों के बीच वातावरण रीसेट किया जाता है और PIM एक एपिसोड के भीतर रखा जाता है। इससे लगातार बदलती सुविधा में लंबे समय तक संचालन—कैमरा कैलिब्रेशन में बदलाव, घिसावट, लोगों की गतिविधि, अव्यवस्था और दीर्घकालिक मेमरी प्रबंधन—का प्रमाण नहीं मिलता। 1
• दूसरे रोबोट और हार्डवेयर: वास्तविक परीक्षण एक खास 80 सेमी × 60 सेमी कार्यक्षेत्र में ARX मैनिपुलेटर के साथ हुआ। अन्य रोबोटिक आर्म, ग्रिपर, मोबाइल मैनिपुलेटर, दो-हाथ वाले सिस्टम, सेंसर, नियंत्रण-दर और सुरक्षा बाधाओं तक इसका साफ हस्तांतरण अभी खुला प्रश्न है। 1
• कार्य-वर्गों की सीमा: मूल्यांकन किचन और रसायनशाला के चुने हुए कार्यों पर हुआ है। पकड़ बंद करना, उठाना और कंटेनर झुकाना जैसे कार्यात्मक रूप से समान प्रभावों के बीच ट्रांसफर उत्साहजनक है, लेकिन असंबंधित कार्य-वर्गों और विविध भाषा निर्देशों पर व्यापक ट्रांसफर का परीक्षण बाकी है। 1
• साक्ष्य की परिपक्वता: ये पेपर और प्रोजेक्ट टीम के रिपोर्ट किए नतीजे हैं, स्वतंत्र पुनरुत्पादन नहीं। लंबे क्षितिज, अलग हार्डवेयर, विकृत वस्तुओं और अनियंत्रित उत्पादन स्थलों पर मजबूती के लिए और प्रमाण चाहिए। 1