AnswersPublished19 sources
GE-Act 2.0: wat AgiBots robotstudie met 30.000 trainingsuren werkelijk laat zien
AgiBot meldt dat een opschaling van 300 naar 30.000 uur belichaamde trainingsdata de zero shot succeskans op echte robots verhoogde van 17,1% naar 44,1% voor G1 OP en van 13,4% naar 31,1% voor G2 90D. GE Act 2.0 wordt vanaf willekeurige initialisatie getraind op manipulatiegegevens, in plaats van voort te bouwen op...
Gepubliceerd doorBewerkt met GPT-5.6 TerraAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- AgiBot meldt dat een opschaling van 300 naar 30.000 uur belichaamde trainingsdata de zero shot succeskans op echte robots verhoogde van 17,1% naar 44,1% voor G1 OP en van 13,4% naar 31,1% voor G2 90D.
- GE Act 2.0 wordt vanaf willekeurige initialisatie getraind op manipulatiegegevens, in plaats van voort te bouwen op een vooraf getraind webvideomodel.
- De opvallendste bevinding is dat grotere datasets niet alleen bestaande vaardigheden betrouwbaarder maakten, maar ook nieuwe fijne handelingen mogelijk leken te maken, zoals handdoeken vouwen en bekers in elkaar zetten.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is AgiBot’s GE-Act 2.0 native world-action model, and how do its random-initialization training approach, 100-fold embodied-data scalin. Article summary: GE-Act 2.0 is AgiBot’s “native” world–action model: its visual representation, future-state generation, and action-prediction components are trained from random initialization on manipulation data, rather than adapting a. Topic tags: general, general web, user generated, academic. 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, char
GE-Act 2.0 is AgiBots poging om een wereld-actiemodel voor robots vanaf de basis op te bouwen. In plaats van een algemeen videomodel te gebruiken dat eerst op webdata is getraind, worden de trainbare onderdelen voor beeldverwerking, voorspelling van toekomstige toestanden en actie vanaf willekeurige beginwaarden getraind op data van fysieke manipulaties.
De hoofdclaim is dus niet alleen dat de robot betrouwbaarder wordt met meer data. AgiBot rapporteert dat sommige precisietaken die bij kleinere trainingssets nog niet lukten, wel uitvoerbaar werden toen de training groeide van 300 naar 30.000 uur. 17
Dat is een relevant onderzoeksresultaat, maar het verdient nuance. De cijfers komen uit AgiBots eigen evaluatie op twee robotlichamen en 100 afgebakende deeltaken. Ze bewijzen niet dat GE-Act 2.0 zelfstandig willekeurige huishoudens, fabrieken of andere robotplatforms aankan.
Eerst een bruikbare toekomstige toestand voorspellen, dan handelen
Een wereld-actiemodel verbindt waarneming, voorspelling en besturing. Bij een taalopdracht als „leg het voorwerp daar neer” moet een systeem de relevante situatie herkennen, voorspellen hoe een geslaagde volgende toestand eruitziet en motorcommando's geven die die toestand kunnen bereiken.
GE-Act 2.0 bestaat volgens AgiBot uit drie onderdelen:
- Control-oriented autoencoder (CoAE): comprimeert visuele invoer, maar behoudt informatie die belangrijk is voor de instructie en voor robotacties.
- Single-step visual planner (SVP): genereert in één differentieerbare stap een bruikbare toekomstige beeldtoestand, in plaats van een lange keten van videosimulaties te maken.
- Inverse-dynamics model (IDM): leidt uitvoerbare robotacties af uit de huidige toestand en de geplande toekomstige toestand.
17
De trainingsmethode heet Knowledge-Aligned Selective Optimization (KASO). Het artikel beschrijft die als een manier om visuele planning en actieleren op elkaar af te stemmen, terwijl onderdelen vooraf op aanvullende soorten data kunnen worden getraind. 17
Het team meldt ook dat het genereren van een actieblok op één RTX 5090 104 milliseconden duurt. Dat is relevant voor fysieke manipulatie: een robot moet voortdurend opnieuw waarnemen en reageren. Een visueel overtuigend plan heeft weinig waarde als het volgende besturingscommando te laat komt. 5
Wat „vanaf nul getraind” hier betekent
Veel systemen voor robotleren profiteren van modellen die eerst op grote verzamelingen afbeeldingen of webvideo's zijn getraind. Bij GE-Act 2.0 worden de trainbare generatieve en actieonderdelen juist vanaf nul geïnitialiseerd en op manipulatiegegevens getraind. 17
Daardoor is de opschalingsproef gerichter: de onderzoekers testen of extra belichaamde data — data die gekoppeld is aan fysieke interacties en acties — systematisch betere robotmanipulatie oplevert. Het experiment meet dus niet vooral de waarde van een al bestaand foundation model voor webvideo.
De gerapporteerde aanpak kan verschillende soorten data combineren, waaronder teleoperatietrajecten van robots, first-personvideo van mensen, ongelabelde roll-outdata en gegevens van mislukte pogingen. Dat is belangrijk omdat robotdemonstraties duur zijn om te verzamelen. Een methode die ook uit onvolledige of imperfecte interactiedata kan leren, kan dataverzameling praktischer maken. 6
20
De experimenten met 100 keer zoveel data
AgiBot trainde modelversies met 300, 1.200, 5.000 en 30.000 uur manipulatiegegevens. De vergelijking loopt daarmee van de kleinste naar de grootste set over een factor 100. 4
17
De belangrijkste evaluatie was opgezet als een zero-shot-test op echte robots:
- 100 atomaire manipulatieopdrachten;
- 20 vaardigheidsfamilies;
- onbekende scènes, achtergronden, lichtomstandigheden en objectvarianten;
- twee robotlichamen: de humanoïde G1-OP en de mobiele manipulator G2-90D;
- geen taakgerichte fine-tuning, demonstraties of modelwissels voor de evaluatietaken.
4
Volgens dit protocol verbeterde het totale gerapporteerde succespercentage naarmate de dataset groeide:
| Robotlichaam | Succes bij 300 uur | Succes bij 30.000 uur |
|---|---|---|
| G1-OP | 17,1% | 44,1% |
| G2-90D | 13,4% | 31,1% |
Dit zijn resultaten die in de GE-Act 2.0-studie worden gerapporteerd. 3
17
De meest directe conclusie is dat, voor dit model en deze taakverdeling, meer belichaamde data samenhing met aanzienlijk meer zero-shot-succes. De gerapporteerde curves tussen 5.000 en 30.000 uur lieten geen duidelijk plateau zien; de auteurs zien dat als aanwijzing dat verdere opschaling mogelijk nog rendement heeft. 5
Waarom het gerapporteerde „light-up”-effect opvalt
Een hoger gemiddeld succespercentage kan simpelweg betekenen dat een robot taken die hij al kende betrouwbaarder uitvoert. AgiBot stelt dat de grotere model-dataregimes iets sterkers lieten zien: een groeiend aantal taken kreeg überhaupt een niet-nul succespercentage.
Voor G1-OP steeg het gerapporteerde aantal atomaire taken dat met succes werd voltooid van 39 naar 76 van de 100, toen de trainingsdata groeide van 300 naar 30.000 uur. 4
Als voorbeelden worden genoemd:
- handdoeken vouwen;
- bekers in elkaar zetten;
- pendoppen verwijderen en terugplaatsen;
- bloemen schikken.
8
Daarop is de term „light-up” gebaseerd. In de gerapporteerde tests hing dataschaling niet alleen samen met betere uitvoering van bekende vaardigheden, maar ook met het haalbaar worden van fijne vaardigheden in zero-shot-situaties die bij kleinere schalen nog mislukten.
„Light-up” is echter geen bewijs voor een plotselinge algemene intelligentie. Het beschrijft de waargenomen taakdekking binnen een eindige benchmark. Of hetzelfde patroon geldt voor veel gevarieerdere objecten, langere taken, veiligheidskritische toepassingen of nieuwe robotontwerpen, is nog een open vraag.
Wat G2-90D zegt over overdracht tussen robotlichamen
De G2-90D levert in deze studie het bewijs voor overdracht tussen verschillende robotlichamen. AgiBot meldt dat deze mobiele manipulator op wielen minder dan 2% van de gezamenlijke trainingsdata vertegenwoordigde, maar dat zijn totale succespercentage tussen de kleine en grote dataconditie toch met 17,7 procentpunt steeg. 3
17
Dat suggereert dat ten minste een deel van de geleerde visuele en actie-relevante structuur bruikbaar is voor verschillende robotvormen. Dat is een gunstig signaal voor een toekomst waarin beleid niet volledig opnieuw hoeft te worden gebouwd voor elke afzonderlijke machine.
Maar het bewijst geen hardware-onafhankelijke robotintelligentie. Het bewijs beperkt zich tot twee geëvalueerde robotlichamen en de taakverdeling van deze studie. Bovendien zat G2-90D wel degelijk in de gezamenlijke training; de resultaten tonen dus geen overdracht zonder enige data naar een willekeurig nieuw robotsysteem.
De relatie tussen GE-Act en GE-Sim
GE-Act maakt deel uit van AgiBots bredere Genie Envisioner (GE)-platform. Dat platform wordt beschreven als een gedeeld videogeneratief raamwerk voor robotbeleid, evaluatie en simulatie. 18
Binnen dat bredere raamwerk is GE-Act het actiegerichte onderdeel. GE-Sim is juist een component voor werksimulatie, bedoeld om van acties afhankelijke roll-outs te genereren voor evaluatie en ontwikkeling. 18
19
Dat onderscheid is van belang: de centrale uitkomst voor GE-Act 2.0 is gebaseerd op zero-shot-tests met fysieke robots. GE-Sim kan relevante infrastructuur zijn binnen het bredere platform, maar ligt niet ten grondslag aan de hoofdclaim dat het model de gemelde fysieke manipulaties uitvoerde zonder taakgerichte fine-tuning of evaluatiedemonstraties.
Fine-tuningresultaten beantwoorden een andere vraag
AgiBot rapporteert daarnaast resultaten na fine-tuning op simulatiegerichte benchmarks. In de aangeleverde rapportage behaalde GE-Act 2.0 60,52% succes in een RoboTwin-test met onbekende omgevingen en een score van 0,770 voor instructievolging in GenieSim; die laatste score lag volgens de rapportage boven de vergeleken resultaten van π0.5 en GR00T N1.7. 20
Dat kunnen bruikbare metingen zijn van aanpasbaarheid en benchmarkprestaties, maar ze beantwoorden een andere vraag dan het zero-shot-experiment op fysieke robots. Scores na fine-tuning mogen niet worden gebruikt als bewijs dat dezelfde capaciteit zonder taakgerichte aanpassing is bereikt.
De praktische conclusie
GE-Act 2.0 is interessant omdat het een eenvoudige maar belangrijke vraag voor belichaamde AI onderzoekt: kan een wereld-actiemodel dat rechtstreeks op manipulatiegegevens is getraind voorspelbaar beter worden naarmate die data groeit?
In AgiBots gerapporteerde experiment is het antwoord daarop ja. De uitbreiding van 300 naar 30.000 trainingsuren viel samen met grote zero-shot-verbeteringen voor G1-OP en G2-90D, een bredere taakdekking en het verschijnen van fijne vaardigheden zoals handdoeken vouwen en bekers in elkaar zetten bij de grootste dataschaal. 3
4
17
De gepaste conclusie is kleiner dan de belofte van een algemene robot voor alle doeleinden: GE-Act 2.0 levert aanwijzingen dat het opschalen van belichaamde manipulatiegegevens nieuwe, meetbare vaardigheden kan opleveren in een gecontroleerde evaluatie op echte robots. Onafhankelijke replicatie, tests op meer hardware en zwaardere evaluaties van langetermijntaken en veiligheid blijven nodig voordat dit als algemene oplossing voor robotautonomie kan gelden.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "GE-Act 2.0: wat AgiBots robotstudie met 30.000 trainingsuren werkelijk laat zien"?
AgiBot meldt dat een opschaling van 300 naar 30.000 uur belichaamde trainingsdata de zero shot succeskans op echte robots verhoogde van 17,1% naar 44,1% voor G1 OP en van 13,4% naar 31,1% voor G2 90D.
What are the key points to validate first?
AgiBot meldt dat een opschaling van 300 naar 30.000 uur belichaamde trainingsdata de zero shot succeskans op echte robots verhoogde van 17,1% naar 44,1% voor G1 OP en van 13,4% naar 31,1% voor G2 90D. GE Act 2.0 wordt vanaf willekeurige initialisatie getraind op manipulatiegegevens, in plaats van voort te bouwen op een vooraf getraind webvideomodel.
What should I do next in practice?
De opvallendste bevinding is dat grotere datasets niet alleen bestaande vaardigheden betrouwbaarder maakten, maar ook nieuwe fijne handelingen mogelijk leken te maken, zoals handdoeken vouwen en bekers in elkaar zetten.