PhysBrain 1.5: co potrafi model DeepCybo, a czego nie dowodzą jego wyniki

PhysBrain 1.5 to model DeepCybo z udostępnionymi wagami, zaprojektowany tak, by w jednej architekturze interpretować otoczenie, generować ruch robota i przewidywać, jak zmieni się scena. Dla zespołów rozważających jego użycie kluczowe jest rozróżnienie: opublikowane wyniki dotyczą przede wszystkim rozumienia świata fizycznego w testach, a nie niezawodnego wykonywania zadań przez robota. 1910

Jak jeden model łączy trzy zadania?

Wersje 2B i 8B bazują na odpowiadających im modelach wizualno-językowych Qwen3-VL. PhysBrain 1.5 przedstawia odpowiedzi językowe i przestrzenne, ruch końcówki robota oraz przewidywany stan obrazu jako dyskretne sekwencje. Model uczy się przewidywać kolejny element takiej sekwencji zamiast korzystać z osobnych modułów wyjściowych dla każdego zadania. Przewidywany stan obejmuje obraz RGB, głębię i informację o tym, jaką część przestrzeni zajmuje robot. 1810

Dzięki wspólnemu formatowi model może w ramach jednej architektury opisać scenę, zaproponować ruch i oszacować jego wizualny skutek. Wygenerowana trajektoria nie oznacza jednak, że fizyczny robot poprawnie ją wykonał. 18

Na czym polega trening?

DeepCybo opisuje dwa etapy. Wstępny trening wykorzystuje nagrania interakcji ludzi z otoczeniem: kontekst zadania i sceny jest zestawiany z odtworzonym ruchem oraz późniejszymi obserwacjami. Następnie model jest dostrajany pod nadzorem na mieszance demonstracji ludzi, trajektorii robotów i danych z symulacji. Stwierdzenie, że cały PhysBrain 1.5 trenowano wyłącznie na filmach z ludźmi, pomijałoby więc drugi etap. 112

Co mówią wyniki 28 testów?

Według DeepCybo wersja 8B uzyskała średnio 72,5 punktu w 28 testach rozumienia zadań osadzonych w świecie fizycznym. To najwyższa średnia wśród otwartych modeli uwzględnionych w porównaniu firmy; w 14 pojedynczych testach wersja 8B osiągnęła najlepszy wynik w tej grupie. Dla wersji 2B podano średnią 66,6 punktu. Testy obejmują m.in. percepcję przestrzenną, rozumienie scen 3D i wielu ujęć, wnioskowanie i planowanie, rozpoznawanie położenia obiektów i możliwych działań oraz analizę trajektorii. 191011

W opublikowanym zestawieniu wynik 8B jest bliski wynikom modeli zamkniętych GPT-6-Astra (73,3) i Gemini 3.6 Flash (73,0). To porównanie według metodologii przedstawionej przez projekt, nie niezależny ranking wszystkich dostępnych modeli ani pomiar odsetka zadań ukończonych przez roboty. 118

Co sprawdzić przed użyciem na robocie?

DeepCybo udostępniło wagi wersji 2B i 8B, raport techniczny oraz materiały do ewaluacji. Pozwala to zespołom przyjrzeć się modelom i podjąć próbę odtworzenia wyników. 191011

Przed wyciągnięciem wniosków ze średniej warto sprawdzić wyniki poszczególnych testów, ustawienia oceny, możliwe nakładanie się danych treningowych i testowych oraz to, czy porównywane modele oceniano w równoważnych warunkach. O przydatności we wdrożeniu rozstrzygną dopiero próby w pętli zamkniętej na docelowym robocie: skuteczność zadań, wychodzenie z błędów, opóźnienia i bezpieczeństwo przy przedmiotach oraz w warunkach, z którymi urządzenie rzeczywiście się zetknie. Średnia z opublikowanych testów tych pomiarów nie zastępuje. 1910