LightNav-0: कई रोबोट के लिए साझा नेविगेशन मॉडल

किसी रोबोट को नया रास्ता सिखाने के लिए क्या हर बार उसे इंसान से रिमोट-कंट्रोल करके चलवाना पड़ेगा? Light Origins का LightNav-0 इसी जरूरत को घटाने की कोशिश है। Qwen3-VL-4B पर बना यह मॉडल लिखित निर्देशों का पालन करने, सामान्य भाषा में बताए गए सामान तक पहुंचने और कैमरे में दिख रहे लक्ष्य का पीछा करने जैसे काम एक ही व्यवस्था से करता है। 128

पहले दिशा, फिर रोबोट के हिसाब से चाल

LightNav-0 हर काम के लिए अलग निर्णय-व्यवस्था जोड़ने के बजाय एक साझा टोकन इंटरफेस इस्तेमाल करता है। इसके ‘डुअल-चैनल पॉइंटिंग टोकन’ बताते हैं कि मॉडल किस दिशा में जाना चाहता है। फिर ‘रेजिडुअल वेक्टर-क्वांटाइज़्ड एक्शन टोकनाइज़र’ उस इरादे को संबंधित रोबोट की अधिक सटीक गति में बदलता है। मॉडल पिछले दृश्य अवलोकनों को भी संक्षेप में रखता है, ताकि फैसला सिर्फ एक पल की तस्वीर पर आधारित न हो। 15

इस फर्क का मकसद है कि रास्ते की समझ अलग-अलग रोबोट के बीच साझा हो सके, जबकि चलने का तरीका रोबोट के अनुसार रहे। यह नए रोबोट पर बिना किसी बदलाव के काम करने की गारंटी नहीं है। 15

प्रशिक्षण का अनुभव कहां से आया?

कंपनी अपनी डेटा प्रक्रिया को Real2Sim2Real कहती है। उसके अनुसार, इंटरनेट से मिले 2,000 से अधिक वास्तविक दृश्यों को दोबारा इस्तेमाल किए जा सकने वाले सिमुलेशन में बदला गया। उनसे 4,000 घंटे से अधिक का ऐसा नेविगेशन अनुभव तैयार हुआ जिसमें दृश्य, भाषा और कार्रवाई शामिल हैं। इससे हर काम के लिए केवल रिमोट-कंट्रोल प्रदर्शनों पर निर्भर रहने के बजाय सिमुलेशन में भी प्रशिक्षण दिया जा सकता है। ये कंपनी के बताए प्रशिक्षण आंकड़े हैं, डेटा जुटाने की लागत में मापी गई बचत नहीं। 8

प्रशिक्षण के तीन चरण बताए गए हैं: रोबोट के काम से जुड़ी तर्क-क्षमता विकसित करने वाला मध्य-प्रशिक्षण, उदाहरणों की मदद से व्यवहार सिखाने वाली सुपरवाइज्ड फाइन-ट्यूनिंग और बातचीत के जरिए नीति सुधारने वाला ऑनलाइन रीइन्फोर्समेंट लर्निंग। 18

नतीजों का मतलब—और उनकी सीमा

Light Origins के मुताबिक, एक कैमरे के दृश्य पर आधारित नेविगेशन के 10 सार्वजनिक सिमुलेशन परीक्षणों में मॉडल ने अग्रणी सफलता दर हासिल की। टीम अलग-अलग रोबोट और वास्तविक दृश्यों में ‘ज़ीरो-शॉट’ क्षमता भी बताती है—यानी उन खास स्थितियों के लिए अलग प्रशिक्षण के बिना काम करना। लेकिन ये बताए गए मूल्यांकन हर अनदेखे रोबोट पर समान प्रदर्शन या रिमोट-कंट्रोल डेटा की जरूरत पूरी तरह खत्म होने का प्रमाण नहीं हैं। 7813

मॉडल वेट्स, कोड, तकनीकी रिपोर्ट और INSIGHT-Bench मूल्यांकन सामग्री सार्वजनिक की गई है; रिलीज को Apache 2.0 लाइसेंस के तहत बताया गया है। इससे दूसरे लोग तरीके की जांच कर सकते हैं। फिलहाल व्यावहारिक निष्कर्ष इतना ही है: साझा मॉडल और दोबारा इस्तेमाल होने वाले सिमुलेशन अलग-अलग रोबोट के लिए प्रदर्शन डेटा जुटाने की जरूरत घटा सकते हैं। वास्तविक इस्तेमाल में प्रदर्शन की जांच संबंधित रोबोट और जगह पर करनी होगी। 2510