PhysBrain 1.5: en modell för att förstå, styra och förutse robotars omgivning

PhysBrain 1.5 är DeepCybos försök att samla tre förmågor i en modell: att tolka en robots omgivning, föreslå hur den ska röra sig och förutse hur scenen kan förändras. Modellvikterna har publicerats, så andra kan undersöka systemet. Den viktiga skiljelinjen går ändå mellan goda resultat på tester av förståelse och planering och belägg för att en robot faktiskt klarar uppgifter tillförlitligt. 1910

En modell, flera sorters svar

Versionerna 2B och 8B bygger på motsvarande Qwen3-VL-modeller för bild- och språkförståelse. PhysBrain 1.5 uttrycker såväl språkliga och rumsliga svar som rörelser för robotens verktygsände och förutsagda framtida bildtillstånd som sekvenser av diskreta token. Modellen tränas att förutsäga nästa token i sekvensen, i stället för att använda separata moduler för varje uppgift. Framtidsprognoserna omfattar bland annat färgbild, djupinformation och uppgifter om vilka delar av bilden roboten upptar. 1810

Det gemensamma formatet gör att beskrivning, föreslagen handling och möjlig följd kan behandlas inom samma arkitektur. Men en beräknad rörelse är inte detsamma som en rörelse som genomförts framgångsrikt av en fysisk robot. 18

Träningen sker i två steg

Enligt DeepCybo börjar träningen med videor av människor som utför uppgifter. Scen och uppgift kopplas då till rekonstruerade rörelser och senare observationer. Därefter finjusteras modellen med en blandning av mänskliga demonstrationer, robotbanor och simulerade erfarenheter. Att säga att PhysBrain 1.5 tränats enbart på människovideor skulle alltså missa det andra steget. 112

Vad siffran 72,5 betyder

DeepCybo rapporterar ett genomsnitt på 72,5 för PhysBrain 1.5-8B över 28 tester av förmågor som är relevanta för robotar. Det är högst bland de öppna modeller som ingår i företagets jämförelse; på 14 enskilda tester uppges 8B-versionen också ha bäst resultat i den gruppen. För den mindre 2B-versionen är det rapporterade genomsnittet 66,6. Testerna täcker bland annat visuell och rumslig perception, förståelse av 3D och flera kameravyer, resonemang och planering samt bedömning av möjliga handlingar och visuella rörelsebanor. 191011

I DeepCybos publicerade jämförelse ligger 8B-versionen nära resultaten för de proprietära modellerna GPT-6-Astra (73,3) och Gemini 3.6 Flash (73,0). Det gäller just den redovisade utvärderingen: siffrorna är varken en oberoende rangordning av alla tillgängliga modeller eller ett mått på hur ofta en robot slutför fysiska uppgifter. 118

Det bör användare kontrollera själva

DeepCybo har publicerat modellvikter för 2B och 8B, en teknisk rapport och resurser för utvärdering. Det ger andra team möjlighet att granska modellerna och försöka återskapa resultaten. 191011

Innan ett genomsnittsvärde får styra ett teknikval bör teamen kontrollera resultaten för varje enskilt test, hur utvärderingen genomfördes, eventuell överlappning mellan tränings- och testdata och om jämförelsemodellerna fick likvärdiga förutsättningar. För faktisk användning krävs dessutom tester där den avsedda roboten upprepade gånger observerar, handlar och anpassar sig efter utfallet. Då behöver man mäta bland annat uppgiftsframgång, återhämtning efter fel, svarstider och säkerhet med de föremål och förhållanden roboten verkligen ska möta. Ett testresultat för förståelse kan inte ersätta de mätningarna. 1910