PhysBrain 1.5 Menggabungkan Pemahaman, Gerak, dan Prediksi Robot

PhysBrain 1.5 adalah model berbobot terbuka dari DeepCybo yang dirancang untuk membaca situasi di sekitar robot, menghasilkan gerakan, dan memperkirakan apa yang akan terlihat setelahnya. Bagi tim yang ingin menggunakannya, perbedaan terpenting adalah ini: skor pemahaman lingkungan fisik bukanlah tingkat keberhasilan robot saat bekerja di dunia nyata. 1910

Bagaimana tiga kemampuan masuk ke satu model?

Versi 2B dan 8B dibangun di atas model penglihatan-bahasa Qwen3-VL dengan ukuran yang sesuai. PhysBrain 1.5 menyajikan jawaban bahasa dan spasial, gerak end-effector—bagian ujung robot yang berinteraksi dengan benda—serta prediksi keadaan visual berikutnya sebagai rangkaian token diskret. Prediksi visual itu mencakup citra RGB, informasi kedalaman, dan informasi ruang yang ditempati robot. Alih-alih memakai komponen keluaran terpisah untuk tiap tugas, satu arsitektur autoregresif dilatih untuk memprediksi token berikutnya. 1810

Dengan format bersama itu, model dapat mempelajari hubungan antara kondisi awal, gerakan yang diusulkan, dan perkiraan hasilnya. Namun, menghasilkan lintasan gerak tidak sama dengan membuktikan bahwa robot berhasil menjalankannya. 18

Dari video manusia hingga data robot

DeepCybo menjelaskan dua tahap pelatihan. Pada pretraining, model belajar dari video interaksi manusia yang berfokus pada tugas, dengan mengaitkan konteks adegan dan tugas, gerakan yang direkonstruksi, serta pengamatan setelahnya. Tahap fine-tuning terawasi kemudian menggunakan campuran demonstrasi manusia, lintasan robot, dan pengalaman simulasi. Jadi, menyebut PhysBrain 1.5 dilatih hanya dengan video manusia akan mengabaikan tahap kedua. 112

Apa arti skor 72,5?

Menurut hasil yang dipublikasikan DeepCybo, PhysBrain 1.5-8B memperoleh skor rata-rata 72,5 pada 28 benchmark pemahaman lingkungan fisik. Angka itu menempatkannya di urutan pertama di antara model terbuka dalam perbandingan mereka, termasuk hasil terbaik untuk model terbuka pada 14 benchmark. Rata-rata yang dilaporkan untuk versi 2B adalah 66,6. Pengujiannya meliputi persepsi visual-spasial, pemahaman 3D dan lintas sudut pandang, penalaran serta perencanaan, pengenalan objek dan peluang tindakan terhadapnya, hingga penalaran lintasan visual. 191011

Dalam tabel perbandingan DeepCybo, skor 8B itu mendekati GPT-6-Astra (73,3) dan Gemini 3.6 Flash (73,0), dua model dengan bobot tertutup yang tercantum di sana. Ini adalah perbandingan menurut evaluasi yang dipublikasikan proyek tersebut—bukan pemeringkatan independen atas semua model yang tersedia, apalagi ukuran keberhasilan robot menyelesaikan tugas fisik. 118

Yang perlu diuji sebelum dipakai

DeepCybo menyediakan checkpoint—bobot model yang dapat diunduh—untuk versi 2B dan 8B, bersama laporan teknis dan sumber daya evaluasi. Tim dapat memakainya untuk memeriksa model dan mencoba mengulang hasil yang dilaporkan. 191011

Sebelum mengandalkan angka rata-rata, periksa hasil tiap benchmark, pengaturan evaluasi, kemungkinan tumpang tindih data latih dan data uji, serta apakah model pembanding diuji dalam kondisi setara. Untuk penggunaan pada robot, pengujian yang lebih menentukan adalah eksekusi closed-loop: robot harus bertindak, menerima umpan balik, lalu menyesuaikan tindakannya pada perangkat dan benda yang akan benar-benar digunakan. Ukur keberhasilan tugas, kemampuan pulih dari kesalahan, latensi, dan keselamatan dalam kondisi yang berubah. Skor benchmark pemahaman tidak dapat menggantikan pengujian tersebut. 1910