उत्तरप्रकाशित19 स्रोत
Being-M0.7: पहले सीखेगा इंसानी गतिविधियों से, फिर ह्यूमनॉइड को देगा पूरे शरीर के निर्देश
Being M0.7 एक latent world action model है, जिसे ह्यूमनॉइड रोबोट के चलने और वस्तुओं के साथ काम करने—यानी loco manipulation—के लिए बनाया गया है।[1][6] मॉडल को रोबोट की चालों पर प्रशिक्षित करने से पहले 10,000 घंटे से अधिक के मानव केंद्रित वीडियो और गति डेटा से दृश्य तथा शरीर की गतिविधियों का अनुमान लगाना सिखाया गया।[1...
प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- Being M0.7 एक latent world action model है, जिसे ह्यूमनॉइड रोबोट के चलने और वस्तुओं के साथ काम करने—यानी loco manipulation—के लिए बनाया गया है।[1][6]
- मॉडल को रोबोट की चालों पर प्रशिक्षित करने से पहले 10,000 घंटे से अधिक के मानव केंद्रित वीडियो और गति डेटा से दृश्य तथा शरीर की गतिविधियों का अनुमान लगाना सिखाया गया।[1][12]
- SIMPLE सिमुलेशन बेंचमार्क पर इसने 180 में से 128 प्रयास सफल किए—71.1%। असली Unitree G1 परीक्षणों में यह सबसे मजबूत आधार मॉडल के बराबर रहा, उससे आगे नहीं।[1][5][6]
AI संकेत
openai.comCreate a landscape editorial hero image for this Studio Global article: What is BeingBeyond’s Being M0.7, released by the embodied AI startup founded by Peking University tenured associate professor Lu Zongqing a. Article summary: Being M0.7 is BeingBeyond’s latent world action model for humanoid “loco manipulation”—coordinating walking and object manipulation—rather than treating them as separate skills.[1][6] Its central idea is to learn a predi. Topic tags: general web, ai, code, privacy, regulation. 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 w
Being-M0.7, BeingBeyond का ऐसा मॉडल है जो ह्यूमनॉइड रोबोट को एक साथ चलने और वस्तुओं के साथ काम करने में मदद करने के लिए बनाया गया है। रोबोटिक्स में इस मेल को लॉको-मैनिपुलेशन कहा जाता है: रोबोट चलते हुए हाथ बढ़ाए, चीज़ उठाए या आसपास के माहौल के मुताबिक पूरे शरीर को तालमेल से चलाए।1
6
इस मॉडल का खास पहलू यह है कि इसकी शुरुआती सीख रोबोट के प्रदर्शन से नहीं, बल्कि इंसानी गतिविधियों के वीडियो और गति से होती है। Being-M0.7 को 10,000 घंटे से अधिक के कच्चे मानव-केंद्रित डेटा पर पहले प्रशिक्षित किया गया; उसके बाद रोबोट की चालों और नियंत्रण से इसे रोबोट के काम के अनुरूप बनाया गया।1
12
मानव डेटा से रोबोट नियंत्रण तक: तीन चरण
ह्यूमनॉइड को सिर्फ यह बताना काफी नहीं कि सामने कोई वस्तु है। उसे यह भी समझना पड़ता है कि आगे दृश्य कैसे बदल सकता है और संतुलन बनाए रखते हुए शरीर को कैसे चलाना है। रोबोट के अपने प्रदर्शन-उदाहरण जुटाना कठिन हो सकता है; दूसरी ओर, इंसानी चाल को ज्यों का त्यों मशीन पर लागू नहीं किया जा सकता। Being-M0.7 इन दोनों बातों को ध्यान में रखकर सीखने को चरणों में बांटता है।3
5
- मानव डेटा से साझा समझ: शुरुआती प्रशिक्षण में मॉडल वीडियो और शरीर की गति को एक साझा निरूपण में सीखता है। यह भविष्य की दृश्य स्थिति और शरीर की गति—दोनों का अनुमान लगाता है। डेटा एक जैसा नहीं होता: कुछ नमूनों में वीडियो और गति दोनों होते हैं, जबकि कुछ में सिर्फ वीडियो या सिर्फ गति होती है। इन अलग-अलग स्रोतों से सीखने का मकसद दृश्य और गति की जानकारी का दायरा बढ़ाना है।
1
5
14
- रोबोट के अनुरूप ढालना: इसके बाद रोबोट की चालों से मिली जानकारी का उपयोग करके पहले से सीखी समझ को उसके कैमरे के नजरिए, शरीर की बनावट और गति के अनुरूप ढाला जाता है।
7
8
- समझ को निर्देशों में बदलना: अंतिम चरण में एक अलग action expert, पहले सीखे गए और स्थिर रखे गए prior के दृश्य संदर्भ का उपयोग करके रोबोट के लिए पूरे शरीर के निर्देश बनाता है। इस तरह मॉडल इंसानी गतिविधियों की नकल भर नहीं करता; वह सीखी हुई जानकारी को खास रोबोट के नियंत्रण से जोड़ता है।
प्रशिक्षण डेटा में Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D और Lafan1 जैसे स्रोत शामिल बताए गए हैं। इसके साथ BeingBeyond के पहले के कुछ डेटा-संग्रहों और व्यावसायिक स्रोतों का भी इस्तेमाल हुआ।1
मॉडल के तकनीकी विवरणों में स्थिर DINO छवि-विशेषताओं और मानव तथा रोबोट के लिए साझा, 22-आयामी head-rooted गति निरूपण का उल्लेख है।4
12 आसान भाषा में, मॉडल हर बार कच्चे पिक्सेल या अलग-अलग तरह के शरीर-डेटा से सीधे नियंत्रण सीखने के बजाय दृश्य और गति को अधिक संक्षिप्त निरूपण में इस्तेमाल करता है।
परीक्षणों में कैसा रहा प्रदर्शन?
SIMPLE सिमुलेशन बेंचमार्क: इसमें तीन कठिनाई स्तरों पर छह ह्यूमनॉइड कार्य शामिल थे। Being-M0.7 ने 180 में से 128 प्रयास सफल किए—71.1%—और तुलना किए गए मॉडलों में इसका कुल सफलता-दर सबसे ऊंचा रहा। संदर्भ के लिए, रिपोर्ट में Ψ0 का 64.4%, π0.5 का 52.8% और GR00T-N1.6 का 33.9% दिया गया है।6
8
कुल स्कोर में आगे होना हर काम में आगे होने के बराबर नहीं है: रिपोर्ट के मुताबिक Ψ0 एक कार्य में और π0.5 दो अन्य कार्यों में बेहतर रहे। मानव डेटा पर शुरुआती प्रशिक्षण हटाने वाले ablation परीक्षण में स्कोर 48.9% तक गिरा। यह तुलना मानव डेटा से मिली उपयोगिता का संकेत देती है, हालांकि इससे यह साबित नहीं होता कि हर रोबोट या हर परिस्थिति में ऐसा ही लाभ मिलेगा।6
असली Unitree G1 रोबोट: तीन वास्तविक दुनिया के लॉको-मैनिपुलेशन कार्यों में हर कार्य के लिए पांच प्रयास किए गए। उपलब्ध रिपोर्टिंग के मुताबिक Being-M0.7 सबसे मजबूत आधार मॉडल के बराबर रहा—इसलिए इसे स्पष्ट जीत कहना सही नहीं होगा। इतने कम प्रयासों से अलग-अलग वातावरण में रोबोट की भरोसेमंदी पर व्यापक निष्कर्ष भी नहीं निकाला जा सकता।1
5
नतीजों को पढ़ते समय दो सीमाएं याद रखें
- वास्तविक परीक्षण छोटे थे: हर G1 कार्य में पांच प्रयास होने के कारण एक भी सफल या असफल प्रयास उस कार्य के नतीजे को काफी बदल सकता है।
- लंबे और जटिल काम अभी अलग चुनौती हैं: छोटे चलने-और-वस्तु-पकड़ने वाले परीक्षण अपने आप यह नहीं दिखाते कि रोबोट लंबे समय तक कई चरणों वाला काम कर पाएगा या रास्ते में हुई गलती से उबर सकेगा। रिपोर्ट में भी लंबे समयावधि वाले लॉको-मैनिपुलेशन कार्यों को आगे जांचने की जरूरत बताई गई है।
- डेमो जुटाने वाला नियंत्रक भी मायने रखता है: प्रशिक्षण के लिए रोबोट के प्रदर्शन दर्ज करते समय SONIC पूरे शरीर की गति को कितनी सटीकता से ट्रैक करता है, यह डेटा की मात्रा और गुणवत्ता को प्रभावित कर सकता है। यह नियंत्रक की सीमा है; इसे सीधे Being-M0.7 की सीमा नहीं समझना चाहिए।
कुल मिलाकर, Being-M0.7 का तरीका पहले बड़े पैमाने के मानव डेटा से दृश्य और गति के बीच संबंध सीखने, फिर उस सीख को रोबोट-विशेष निर्देशों में बदलने का है। सिमुलेशन के नतीजे उत्साहजनक हैं, लेकिन असली रोबोट और लंबे कार्यों पर इसकी क्षमता समझने के लिए अधिक परीक्षण जरूरी हैं।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"Being-M0.7: पहले सीखेगा इंसानी गतिविधियों से, फिर ह्यूमनॉइड को देगा पूरे शरीर के निर्देश" का संक्षिप्त उत्तर क्या है?
Being M0.7 एक latent world action model है, जिसे ह्यूमनॉइड रोबोट के चलने और वस्तुओं के साथ काम करने—यानी loco manipulation—के लिए बनाया गया है।[1][6]
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
Being M0.7 एक latent world action model है, जिसे ह्यूमनॉइड रोबोट के चलने और वस्तुओं के साथ काम करने—यानी loco manipulation—के लिए बनाया गया है।[1][6] मॉडल को रोबोट की चालों पर प्रशिक्षित करने से पहले 10,000 घंटे से अधिक के मानव केंद्रित वीडियो और गति डेटा से दृश्य तथा शरीर की गतिविधियों का अनुमान लगाना सिखाया गया।[1][12]
मुझे अभ्यास में आगे क्या करना चाहिए?
SIMPLE सिमुलेशन बेंचमार्क पर इसने 180 में से 128 प्रयास सफल किए—71.1%। असली Unitree G1 परीक्षणों में यह सबसे मजबूत आधार मॉडल के बराबर रहा, उससे आगे नहीं।[1][5][6]