विश्व-कार्य मॉडल वास्तुकला: क्रिया अनुकरण से अधिक वीडियो पूर्वानुमान

DYNA-2 की वास्तुकला वीडियो जनरेशन पर आधारित है, न कि विज़न-लैंग्वेज-एक्शन (VLA) एडॉप्टर पर जो रोबोटिक्स में हावी रहे हैं । प्री-ट्रेनिंग के दौरान, मॉडल एक दोहरे उद्देश्य के साथ चलता है: यह मानव वीडियो कॉर्पस से अगले वीडियो फ्रेम और अगली क्रिया दोनों की भविष्यवाणी करता है । यह दृष्टिकोण मॉडल को संपर्क भौतिकी (contact physics) और स्थानिक तर्क का आंतरिक मॉडल बनाने देता है — कार्यों और उनके भौतिक परिणामों के बीच कारण संबंध सीखना — जो बिना किसी रोबोट को देखे विभिन्न रोबोट निकायों (embodiments) में स्थानांतरित होता है ।

प्री-ट्रेनिंग कॉर्पस: कंपनी ने फर्स्ट-पर्सन ह्यूमन वीडियो के चार नेस्टेड सबसेट बनाए — 1,000, 10,000, 100,000 और 1,000,000 घंटे — जिसमें प्री-ट्रेनिंग के दौरान किसी भी रोबोट एक्शन डेटा का उपयोग नहीं किया गया । प्री-ट्रेनिंग के बाद, मॉडल को विशेष हार्डवेयर में सीखी गई भौतिक अंतर्ज्ञान को स्थानांतरित करने के लिए अपेक्षाकृत कम मात्रा में वास्तविक रोबोट डेटा (घंटे या मिनट) पर फ़ाइन-ट्यून किया जाता है ।

पहला मानव-से-रोबोट स्थानांतरण स्केलिंग नियम

Dyna Robotics ने बताया कि उसने मैनिपुलेशन में पहली बार क्रॉस-एम्बॉडिमेंट ट्रांसफर स्केलिंग लॉ खोजा है । यह निष्कर्ष इसलिए महत्वपूर्ण है क्योंकि यह प्रदर्शित करता है कि मानव वीडियो डेटा को बढ़ाने से रोबोट के प्रदर्शन में पूर्वानुमानित, सुसंगत सुधार होता है — उसी तरह के स्केलिंग नियमों को दर्शाता है जिन्होंने बड़े भाषा मॉडल को बदल दिया।

• मानव डेटा पर स्केलिंग नियम: सभी चारों ऑर्डर ऑफ मैग्नीट्यूड (1K → 10K → 100K → 1M घंटे) में, वीडियो-पूर्वानुमान गुणवत्ता के सभी मीट्रिक में सुसंगत रूप से सुधार हुआ, जिसे एक पावर लॉ (घातांक नियम) द्वारा अच्छी तरह से वर्णित किया गया है और कोई पठार नहीं देखा गया ।

• नियम अनदेखे रोबोट डेटा में स्थानांतरित होता है: उन्हीं चेकपॉइंट्स को दो स्थिर बायमैनुअल प्लेटफार्मों पर 39 अलग-अलग रोबोट कार्यों पर शून्य-शॉट (zero-shot) आंका गया। प्री-ट्रेनिंग मानव वीडियो पूल के बढ़ने पर, किसी भी रोबोट-विशिष्ट फ़ाइन-ट्यूनिंग से पहले ही प्रदर्शन में सुसंगत सुधार हुआ । एक विश्लेषण से पता चला कि एक्शन-लेबल वाले डेटा को 50,000 घंटे पर स्थिर रखने और केवल वीडियो घंटे जोड़ने से शून्य-शॉट रोबोट एक्शन MSE घटकर 0.340 से 0.120 हो गया ।

• पोस्ट-ट्रेनिंग प्रदर्शन स्केलिंग: पोस्ट-ट्रेनिंग के बाद, 14 रोबोट कार्यों में औसत सामान्यीकृत स्कोर प्री-ट्रेनिंग स्केल को 1K से 1M घंटे तक बढ़ाने पर 20% → 28% → 45% → 53% तक बढ़ गया ।

कार्य सफलता दर में सुधार

DYNA-2 के प्रदर्शन लाभ तीन प्रमुख क्षेत्रों में सबसे अधिक दिखाई देते हैं:

• उच्च-सटीक विनिर्माण: केवल प्री-ट्रेनिंग स्केल बढ़ाकर, पोस्ट-ट्रेनिंग डेटा में कोई बदलाव किए बिना, DYNA-2 ने कार्य सफलता दर को 20% से बढ़ाकर 80-90% कर दिया । यह विशुद्ध रूप से अधिक मानव वीडियो देखने से 4x से 4.5x सुधार है।

• जीरो-शॉट ग्राहक तैनाती: वास्तविक ग्राहक साइटों पर, DYNA-2 ने 87% गुणवत्ता पास दर हासिल की, जबकि इसके VLA-आधारित पूर्ववर्ती DYNA-1 ने समान पोस्ट-ट्रेनिंग बजट के तहत 46% हासिल किया — 41 अंकों का सुधार । समान प्रशिक्षण स्थितियों के साथ प्रत्यक्ष भौतिक मूल्यांकन में, DYNA-2 ने DYNA-1 की तुलना में कार्यों को पूरा किया और ।

• बोतल-कैप खोलना (13 मिनट का डेटा): केवल 13 मिनट के रोबोट-विशिष्ट प्रदर्शन डेटा के साथ, DYNA-2 को पाँच-उंगलियों वाले निपुण हाथों की एक जोड़ी को बोतल का ढक्कन खोलने के लिए अनुकूलित किया गया । कंपनी की तकनीकी रिपोर्ट स्पष्ट करती है कि यह आंकड़ा लगभग रोबोट डेटा था, और प्री-ट्रेनिंग स्केल ने सफलता को 1K घंटे के बजट पर 10% से बढ़ाकर पूर्ण 1M-घंटे के बजट में 40-50% कर दिया ।

रोबोटिक्स के भविष्य के लिए निहितार्थ

DYNA-2 के परिणाम उस प्रचलित धारणा को चुनौती देते हैं कि रोबोट को बड़ी मात्रा में कार्य-विशिष्ट रोबोट डेटा की आवश्यकता होती है। एक स्केलिंग नियम का प्रदर्शन करके जो मानव वीडियो से रोबोट हार्डवेयर में स्थानांतरित होता है, Dyna Robotics 10 मिलियन घंटे के प्रशिक्षण डेटा की ओर एक व्यावहारिक मार्ग खोलता है — जिसमें रोबोट को केवल घंटों के स्थानीय फ़ाइन-ट्यूनिंग के साथ नए भौतिक कार्यों में महारत हासिल करने की क्षमता है । मॉडल वर्तमान में एक विक्रेता-संचालित प्रणाली के रूप में काम करता है; Dyna Robotics ने DYNA-2 के लिए कोई सार्वजनिक चेकपॉइंट, API या लाइसेंस की घोषणा नहीं की है । रोबोटिक्स अनुसंधान समुदाय द्वारा स्वतंत्र प्रतिकृति इन परिणामों को मान्य करने का अगला कदम होगी ।

विश्व-कार्य मॉडल वास्तुकला: क्रिया अनुकरण से अधिक वीडियो पूर्वानुमान

DYNA-2 की वास्तुकला वीडियो जनरेशन पर आधारित है, न कि विज़न-लैंग्वेज-एक्शन (VLA) एडॉप्टर पर जो रोबोटिक्स में हावी रहे हैं । प्री-ट्रेनिंग के दौरान, मॉडल एक दोहरे उद्देश्य के साथ चलता है: यह मानव वीडियो कॉर्पस से अगले वीडियो फ्रेम और अगली क्रिया दोनों की भविष्यवाणी करता है । यह दृष्टिकोण मॉडल को संपर्क भौतिकी (contact physics) और स्थानिक तर्क का आंतरिक मॉडल बनाने देता है — कार्यों और उनके भौतिक परिणामों के बीच कारण संबंध सीखना — जो बिना किसी रोबोट को देखे विभिन्न रोबोट निकायों (embodiments) में स्थानांतरित होता है ।

प्री-ट्रेनिंग कॉर्पस: कंपनी ने फर्स्ट-पर्सन ह्यूमन वीडियो के चार नेस्टेड सबसेट बनाए — 1,000, 10,000, 100,000 और 1,000,000 घंटे — जिसमें प्री-ट्रेनिंग के दौरान किसी भी रोबोट एक्शन डेटा का उपयोग नहीं किया गया । प्री-ट्रेनिंग के बाद, मॉडल को विशेष हार्डवेयर में सीखी गई भौतिक अंतर्ज्ञान को स्थानांतरित करने के लिए अपेक्षाकृत कम मात्रा में वास्तविक रोबोट डेटा (घंटे या मिनट) पर फ़ाइन-ट्यून किया जाता है ।

पहला मानव-से-रोबोट स्थानांतरण स्केलिंग नियम

Dyna Robotics ने बताया कि उसने मैनिपुलेशन में पहली बार क्रॉस-एम्बॉडिमेंट ट्रांसफर स्केलिंग लॉ खोजा है । यह निष्कर्ष इसलिए महत्वपूर्ण है क्योंकि यह प्रदर्शित करता है कि मानव वीडियो डेटा को बढ़ाने से रोबोट के प्रदर्शन में पूर्वानुमानित, सुसंगत सुधार होता है — उसी तरह के स्केलिंग नियमों को दर्शाता है जिन्होंने बड़े भाषा मॉडल को बदल दिया।

• मानव डेटा पर स्केलिंग नियम: सभी चारों ऑर्डर ऑफ मैग्नीट्यूड (1K → 10K → 100K → 1M घंटे) में, वीडियो-पूर्वानुमान गुणवत्ता के सभी मीट्रिक में सुसंगत रूप से सुधार हुआ, जिसे एक पावर लॉ (घातांक नियम) द्वारा अच्छी तरह से वर्णित किया गया है और कोई पठार नहीं देखा गया ।

• नियम अनदेखे रोबोट डेटा में स्थानांतरित होता है: उन्हीं चेकपॉइंट्स को दो स्थिर बायमैनुअल प्लेटफार्मों पर 39 अलग-अलग रोबोट कार्यों पर शून्य-शॉट (zero-shot) आंका गया। प्री-ट्रेनिंग मानव वीडियो पूल के बढ़ने पर, किसी भी रोबोट-विशिष्ट फ़ाइन-ट्यूनिंग से पहले ही प्रदर्शन में सुसंगत सुधार हुआ । एक विश्लेषण से पता चला कि एक्शन-लेबल वाले डेटा को 50,000 घंटे पर स्थिर रखने और केवल वीडियो घंटे जोड़ने से शून्य-शॉट रोबोट एक्शन MSE घटकर 0.340 से 0.120 हो गया ।

• पोस्ट-ट्रेनिंग प्रदर्शन स्केलिंग: पोस्ट-ट्रेनिंग के बाद, 14 रोबोट कार्यों में औसत सामान्यीकृत स्कोर प्री-ट्रेनिंग स्केल को 1K से 1M घंटे तक बढ़ाने पर 20% → 28% → 45% → 53% तक बढ़ गया ।

कार्य सफलता दर में सुधार

DYNA-2 के प्रदर्शन लाभ तीन प्रमुख क्षेत्रों में सबसे अधिक दिखाई देते हैं:

• उच्च-सटीक विनिर्माण: केवल प्री-ट्रेनिंग स्केल बढ़ाकर, पोस्ट-ट्रेनिंग डेटा में कोई बदलाव किए बिना, DYNA-2 ने कार्य सफलता दर को 20% से बढ़ाकर 80-90% कर दिया । यह विशुद्ध रूप से अधिक मानव वीडियो देखने से 4x से 4.5x सुधार है।

• जीरो-शॉट ग्राहक तैनाती: वास्तविक ग्राहक साइटों पर, DYNA-2 ने 87% गुणवत्ता पास दर हासिल की, जबकि इसके VLA-आधारित पूर्ववर्ती DYNA-1 ने समान पोस्ट-ट्रेनिंग बजट के तहत 46% हासिल किया — 41 अंकों का सुधार । समान प्रशिक्षण स्थितियों के साथ प्रत्यक्ष भौतिक मूल्यांकन में, DYNA-2 ने DYNA-1 की तुलना में कार्यों को पूरा किया और ।

• बोतल-कैप खोलना (13 मिनट का डेटा): केवल 13 मिनट के रोबोट-विशिष्ट प्रदर्शन डेटा के साथ, DYNA-2 को पाँच-उंगलियों वाले निपुण हाथों की एक जोड़ी को बोतल का ढक्कन खोलने के लिए अनुकूलित किया गया । कंपनी की तकनीकी रिपोर्ट स्पष्ट करती है कि यह आंकड़ा लगभग रोबोट डेटा था, और प्री-ट्रेनिंग स्केल ने सफलता को 1K घंटे के बजट पर 10% से बढ़ाकर पूर्ण 1M-घंटे के बजट में 40-50% कर दिया ।

रोबोटिक्स के भविष्य के लिए निहितार्थ

DYNA-2 के परिणाम उस प्रचलित धारणा को चुनौती देते हैं कि रोबोट को बड़ी मात्रा में कार्य-विशिष्ट रोबोट डेटा की आवश्यकता होती है। एक स्केलिंग नियम का प्रदर्शन करके जो मानव वीडियो से रोबोट हार्डवेयर में स्थानांतरित होता है, Dyna Robotics 10 मिलियन घंटे के प्रशिक्षण डेटा की ओर एक व्यावहारिक मार्ग खोलता है — जिसमें रोबोट को केवल घंटों के स्थानीय फ़ाइन-ट्यूनिंग के साथ नए भौतिक कार्यों में महारत हासिल करने की क्षमता है । मॉडल वर्तमान में एक विक्रेता-संचालित प्रणाली के रूप में काम करता है; Dyna Robotics ने DYNA-2 के लिए कोई सार्वजनिक चेकपॉइंट, API या लाइसेंस की घोषणा नहीं की है । रोबोटिक्स अनुसंधान समुदाय द्वारा स्वतंत्र प्रतिकृति इन परिणामों को मान्य करने का अगला कदम होगी ।