AnswersPublished19 sources
AgiBot GE-Act 2.0: 30 Bin Saatlik Ölçekleme Deneyi Ne Anlama Geliyor?
AgiBot, GE Act 2.0’nin eğitim verisini 300 saatten 30 bin saate çıkarınca G1 OP’de sıfır atışlı gerçek robot başarı oranının %17,1’den %44,1’e, G2 90D’de ise %13,4’ten %31,1’e yükseldiğini bildiriyor. Model, önceden web videosuyla eğitilmiş bir sistemi uyarlamak yerine, manipülasyon verisiyle rastgele başlatılarak e...
YayımlayanGPT-5.6 Terra ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- AgiBot, GE Act 2.0’nin eğitim verisini 300 saatten 30 bin saate çıkarınca G1 OP’de sıfır atışlı gerçek robot başarı oranının %17,1’den %44,1’e, G2 90D’de ise %13,4’ten %31,1’e yükseldiğini bildiriyor.
- Model, önceden web videosuyla eğitilmiş bir sistemi uyarlamak yerine, manipülasyon verisiyle rastgele başlatılarak eğitiliyor; görsel planlama ile ters dinamikleri bir araya getiriyor.
- Çalışmanın en dikkat çekici sonucu, veri büyüdükçe havlu katlama ve bardakları iç içe geçirme gibi daha önce hiç başarı sağlanamayan görevlerin de çalışmaya başlaması; yine de bulgular iki robot gövdesi ve sınırlı bir...
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
AgiBot’un GE-Act 2.0 modeli, robotlar için baştan kurulmuş bir dünya-eylem modeli yaklaşımı. Temel iddia yalnızca “daha çok veri, daha iyi başarı” değil: Şirketin raporladığı deneylerde eğitim verisi 300 saatten 30 bin saate çıkarıldığında, küçük ölçekte başarısız olan bazı hassas manipülasyon görevleri de yapılabilir hâle geliyor. 17
Bu, robot öğrenmesi açısından kayda değer bir sonuç. Ancak doğru yorumlanmalı: Kanıtlar, AgiBot’un iki robot gövdesi ve 100 atomik görev üzerindeki kendi gerçek-robot değerlendirmesine dayanıyor. Modelin her evde, fabrikada veya herhangi bir robot donanımında bağımsız biçimde çalışabildiğini göstermiyor.
Modelin fikri: Ulaşılacak durumu öngör, sonra ona göre hareket et
Bir dünya-eylem modeli; algıyı, geleceğe ilişkin tahmini ve motor kontrolünü birbirine bağlıyor. Örneğin robota bir nesneyi belirli bir yere koyması söylendiğinde sistemin sahneyi anlaması, başarılı bir sonraki durumun nasıl görünmesi gerektiğini tahmin etmesi ve bunu gerçekleştirecek motor komutlarını üretmesi gerekiyor.
GE-Act 2.0, bu işi üç bileşene ayırıyor:
- Kontrol odaklı oto-kodlayıcı (CoAE): Görsel girdiyi sıkıştırırken komut ve robot eylemi açısından önemli bilgiyi koruyor.
- Tek adımlı görsel planlayıcı (SVP): Uzun video tahmin dizileri yerine, yararlı tamamlanmış gelecek görsel durumu tek bir diferansiyellenebilir geçişte üretiyor.
- Ters dinamik modeli (IDM): Mevcut durum ve planlanan gelecek durumdan uygulanabilir robot eylemlerini çıkarıyor.
17
AgiBot, bu parçaları eşgüdüm içinde eğitmek için Knowledge-Aligned Selective Optimization (KASO) adını verdiği yöntemi kullanıyor. Çalışmada bu yöntem, görsel planlama ile eylem öğrenimini birbirini tamamlayan veri türleriyle önceden eğitmenin yolu olarak sunuluyor. 17
Ekip ayrıca tek bir RTX 5090 üzerinde eylem parçası başına 104 milisaniyelik çıkarım süresi bildiriyor. Manipülasyon yapan robotun çevreyi sürekli gözlemleyip tepki vermesi gerektiğinden, görsel olarak inandırıcı bir planın yeterince hızlı kontrol komutuna dönüşmesi kritik. 5
“Sıfırdan eğitildi” denince ne anlaşılmalı?
Birçok robot öğrenme sistemi, önce geniş görüntü veya internet videosu koleksiyonlarında eğitilmiş modellerden yararlanıyor. GE-Act 2.0 ise üretici ve eylemle ilgili eğitilebilir bileşenlerini rastgele başlatıyor; ardından bunları manipülasyon verisiyle eğitiyor. 17
Bu tercih, ölçekleme deneyini daha net hâle getiriyor: Araştırmacılar hazır bir web-video temel modelinin etkisini değil, fiziksel etkileşim ve eylemle bağlantılı bedensel verinin artışının robot manipülasyonunu sistematik olarak iyileştirip iyileştirmediğini test ediyor.
Raporlanan eğitim tarifi; robot teleoperasyon kayıtlarını, insanın birinci şahıs video görüntülerini, etiketsiz deneme verilerini ve başarısız denemeleri birlikte kullanabiliyor. Robot gösterimlerinin pahalı olduğu düşünüldüğünde, eksik etiketli veya kusurlu etkileşim verilerinden de öğrenebilmek veri toplama maliyetini düşürebilir. 6
20
100 katlık veri ölçekleme deneyi
AgiBot, modeli 300, 1.200, 5.000 ve 30.000 saatlik manipülasyon verisiyle ayrı ayrı eğitti. Böylece en küçük ve en büyük eğitim koşulu arasında 100 kat veri farkı oluştu. 4
17
Ana değerlendirme, gerçek robotlar üzerinde sıfır atışlı bir test olarak tasarlandı:
- 100 atomik manipülasyon görevi,
- 20 beceri ailesi,
- eğitimde görülmemiş sahneler, arka planlar, ışık koşulları ve nesne örnekleri,
- iki robot gövdesi: G1-OP insansı robot ve G2-90D tekerlekli mobil manipülatör,
- değerlendirme görevleri için özel ince ayar, gösterim veya model değişimi olmadan test.
4
Bu protokolde raporlanan toplam başarı oranları, veri arttıkça şöyle değişti:
| Robot gövdesi | 300 saatte başarı | 30.000 saatte başarı |
|---|---|---|
| G1-OP | %17,1 | %44,1 |
| G2-90D | %13,4 | %31,1 |
Bunlar GE-Act 2.0 çalışmasının raporladığı sonuçlardır. 3
17
En doğrudan çıkarım şu: Bu model ve bu görev dağılımı için daha fazla bedensel veri, sıfır atışlı görev başarısında belirgin artışla ilişkilendirildi. Yazarlar, 5.000 saatten 30.000 saate uzanan sonuçlarda açık bir doyum işareti görmediklerini; dolayısıyla daha fazla ölçeklemenin fayda sağlamayı sürdürebileceğini belirtiyor. 5
“Becerilerin yanması” etkisi neden önemli?
Ortalama başarı oranının yükselmesi, robotun zaten yapabildiği işleri sadece daha güvenilir biçimde gerçekleştirdiği anlamına gelebilir. AgiBot ise büyük model-veri koşulunda daha güçlü bir tablo raporluyor: Başarı oranı sıfırın üstüne çıkan görevlerin sayısı artıyor.
G1-OP için başarıyla tamamlanabilen atomik görev sayısı, eğitim verisi 300 saatten 30 bin saate çıkarken 100 görevin 39’undan 76’sına yükseldi. 4
Örnek verilen görevler arasında şunlar var:
Çalışmanın “light-up” yani becerilerin aşamalı olarak devreye girmesi çerçevesi buradan geliyor. Raporlanan denemelerde veri ölçeği, mevcut becerilerin daha tutarlı çalışmasıyla birlikte, küçük veri koşullarında başarısız olan ince becerilerin sıfır atışlı ortamda uygulanabilir hâle gelmesiyle ilişkilendiriliyor.
Bununla birlikte, bu ifade ani bir genel zekâ sıçramasının kanıtı olarak okunmamalı. Söz konusu olan, sonlu bir test kümesindeki görev kapsamı. Aynı desenin daha çeşitli nesnelerde, daha uzun görev zincirlerinde, güvenlik açısından kritik ortamlarda veya yeni robot tasarımlarında sürüp sürmeyeceği henüz açık değil.
G2-90D sonucu, aktarım hakkında ne söylüyor?
G2-90D, çalışmanın robot gövdeleri arası aktarım kanıtını sağlıyor. AgiBot, bu tekerlekli mobil manipülatörün ortak eğitim verisindeki payının %2’den az olmasına rağmen, küçük ve büyük veri koşulları arasında toplam başarıda 17,7 puan artış kaydettiğini bildiriyor. 3
17
Bu bulgu, görsel ve eylem açısından anlamlı bazı öğrenilmiş yapıların farklı robot bedenleri arasında paylaşılabileceğine işaret ediyor. Gelecekte politikaların her robot için tamamen sıfırdan kurulması gerekmemesi bakımından umut verici bir işaret.
Fakat bu sonuç, donanımdan bağımsız robot zekâsını kanıtlamıyor. Kanıt, iki değerlendirilmiş robot gövdesiyle ve çalışmanın görev dağılımıyla sınırlı. Ayrıca G2-90D ortak eğitimde temsil edildi; dolayısıyla sonuçlar, tamamen görülmemiş rastgele bir robota sıfır veriyle aktarımı göstermiyor.
GE-Act ile GE-Sim arasındaki ilişki
GE-Act, AgiBot’un daha geniş Genie Envisioner (GE) platformunun parçası. Bu platform, robot politika öğrenimini, değerlendirmeyi ve simülasyonu ortak bir video üretim çerçevesinde birleştirmeyi hedefliyor. 18
Bu yapıda GE-Act eylem odaklı bileşenken, GE-Sim değerlendirme ve geliştirme amacıyla eyleme koşullandırılmış simülasyon akışları üretmesi amaçlanan dünya simülasyonu bileşeni. 18
19
Ayrım önemli: GE-Act 2.0’nin ana sonucu, fiziksel robotlardaki sıfır atışlı testlere dayanıyor. GE-Sim daha geniş platformun ilişkili altyapısı olabilir; ancak modelin görev başına ince ayar veya değerlendirme gösterimi olmadan gerçek dünyadaki manipülasyonları gerçekleştirdiği yönündeki temel iddianın dayanağı değil.
İnce ayar benchmark sonuçları ayrı değerlendirilmelidir
AgiBot ayrıca simülasyon odaklı kıyaslamalarda ince ayar uygulanmış sonuçlar da bildiriyor. Sağlanan rapora göre GE-Act 2.0, RoboTwin’in görülmemiş ortam testinde %60,52 başarıya; GenieSim komut takip testinde ise 0,770 puana ulaştı. İkinci sonucun, karşılaştırılan π0.5 ve GR00T N1.7 sonuçlarının üzerinde olduğu bildirildi. 20
Bu veriler, uyarlama kabiliyeti ve benchmark performansı açısından yararlı olabilir. Fakat sıfır atışlı fiziksel robot deneyinin yanıtladığı sorudan farklı bir soruya karşılık gelir. İnce ayarlı benchmark skorları, görev özelinde uyarlama yapılmadan aynı kapasitenin ortaya konduğunun kanıtı sayılmamalı.
Sonuç: Güçlü bir sinyal, ama genel robot özerkliği değil
GE-Act 2.0’nin önemi, bedensel yapay zekâ için temel bir önermeyi sınamasında yatıyor: Manipülasyon verisiyle doğrudan eğitilen bir dünya-eylem modeli, veri arttıkça öngörülebilir biçimde gelişebilir mi?
AgiBot’un raporladığı deneyde yanıt evet. Eğitim kümesinin 300 saatten 30 bin saate çıkarılması; G1-OP ve G2-90D’de daha yüksek sıfır atışlı başarı, daha geniş görev kapsamı ve havlu katlama ya da bardakları iç içe yerleştirme gibi ince becerilerin büyük ölçekli koşulda görünmesiyle birlikte gerçekleşti. 3
4
17
Yine de makul sonuç, genel amaçlı robot vaadinden daha dar: GE-Act 2.0, kontrollü bir gerçek-robot değerlendirmesinde bedensel manipülasyon verisini ölçeklemenin yeni ve ölçülebilir kabiliyetler yaratabileceğine dair kanıt sunuyor. Bu yaklaşımın genel robot özerkliği için çözüm sayılabilmesi adına bağımsız tekrar çalışmaları, daha geniş donanım testleri, uzun süreli görevler ve daha güçlü güvenlik değerlendirmeleri gerekiyor.
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 "AgiBot GE-Act 2.0: 30 Bin Saatlik Ölçekleme Deneyi Ne Anlama Geliyor?"?
AgiBot, GE Act 2.0’nin eğitim verisini 300 saatten 30 bin saate çıkarınca G1 OP’de sıfır atışlı gerçek robot başarı oranının %17,1’den %44,1’e, G2 90D’de ise %13,4’ten %31,1’e yükseldiğini bildiriyor.
What are the key points to validate first?
AgiBot, GE Act 2.0’nin eğitim verisini 300 saatten 30 bin saate çıkarınca G1 OP’de sıfır atışlı gerçek robot başarı oranının %17,1’den %44,1’e, G2 90D’de ise %13,4’ten %31,1’e yükseldiğini bildiriyor. Model, önceden web videosuyla eğitilmiş bir sistemi uyarlamak yerine, manipülasyon verisiyle rastgele başlatılarak eğitiliyor; görsel planlama ile ters dinamikleri bir araya getiriyor.
What should I do next in practice?
Çalışmanın en dikkat çekici sonucu, veri büyüdükçe havlu katlama ve bardakları iç içe geçirme gibi daha önce hiç başarı sağlanamayan görevlerin de çalışmaya başlaması; yine de bulgular iki robot gövdesi ve sınırlı bir...