PhysBrain 1.5: Robotun gördüğünü anlamak, hareket üretmek ve sonrasını tahmin etmek

PhysBrain 1.5, DeepCybo’nun robotların fiziksel çevreyle etkileşimine yönelik açık ağırlıklı model ailesi. Amaç, bir sahneyi yorumlama, robotun hareketini üretme ve hareketin ardından ne görülebileceğini tahmin etme işlerini aynı modelde toplamak. Buradaki kritik ayrım şu: DeepCybo’nun yayımladığı güçlü sonuçlar ağırlıkla bedensel anlama testlerine ilişkin; bir robotun nesnelerle çalışırken görevleri güvenilir biçimde tamamladığını tek başına göstermiyor. 1910

Üç görev tek modelde nasıl buluşuyor?

2B ve 8B sürümleri, karşılık gelen Qwen3-VL görüntü-dil modellerini temel alıyor. PhysBrain 1.5; dil ve mekânsal yanıtları, robotun uç işlevcisinin —örneğin kolun kavrayıcı ucunun— hareketini ve gelecekteki görsel durumları ayrık token dizileri olarak temsil ediyor. Tahmin edilen görsel durumlar renkli görüntü (RGB), derinlik ve robotun görüntüde kapladığı alana ilişkin bilgileri içeriyor. Ayrı görev başlıkları kullanmak yerine, bu diziler tek bir otoregresif mimaride sıradaki token’ı tahmin etme hedefiyle eğitiliyor. 1810

Böylece model, gördüğü sahneyi açıklama, bir hareket önerme ve bu hareketin olası görsel sonucunu tahmin etme becerilerini ortak bir çerçevede öğrenebiliyor. Hareket dizisi üretmek ise o hareketin fiziksel bir robot tarafından başarıyla uygulandığı anlamına gelmiyor. 18

Eğitiminde hangi veriler var?

DeepCybo iki aşamalı bir süreç anlatıyor. Bedensel ön eğitimde, insanların fiziksel çevreyle etkileşimini gösteren görev odaklı videolar kullanılıyor; sahne ve görev bağlamı, videolardan yeniden oluşturulan hareketlerle ve sonraki gözlemlerle eşleştiriliyor. Ardından gözetimli ince ayar aşamasında insan gösterimleri, robot hareket kayıtları ve simülasyondan gelen deneyim bir arada kullanılıyor. Dolayısıyla modelin yalnızca insan videolarıyla eğitildiğini söylemek, tüm eğitim sürecini yansıtmaz. 112

28 testteki 72,5 puan neyi gösteriyor?

DeepCybo’ya göre PhysBrain 1.5-8B, 28 bedensel anlama testinde 72,5 ortalama puan aldı. Şirketin karşılaştırmasına dahil ettiği açık modeller arasında genel sıralamada ilk sırada; testlerin 14’ünde de en yüksek açık model sonucuna sahip. 2B sürümü için bildirilen ortalama 66,6. Testler görsel-mekânsal algıyı, 3B ve çoklu bakış açısından anlamayı, fiziksel çevrede akıl yürütme ve planlamayı, nesne ve konumları ifadelerle eşleştirmeyi, nesnelerin hangi eylemlere elverişli olduğunu kavramayı ve görsel hareket dizileri üzerinde akıl yürütmeyi kapsıyor. 191011

DeepCybo’nun yayımladığı tabloda 8B sürümünün puanı, kapalı modellere ait GPT-6-Astra’nın 73,3 ve Gemini 3.6 Flash’ın 73,0 puanına yakın görünüyor. Bu, projenin bildirdiği değerlendirme koşulları içindeki bir karşılaştırma; piyasadaki bütün modelleri kapsayan bağımsız bir sıralama ya da robotların gerçek görev tamamlama oranı değil. 118

Kullanmayı düşünen ekipler neyi doğrulamalı?

DeepCybo, 2B ve 8B model ağırlıklarını, teknik raporu ve değerlendirme kaynaklarını yayımladı. Bunlar, ekiplerin modelleri incelemesine ve bildirilen sonuçları yeniden üretmeye çalışmasına olanak veriyor. 191011

Genel ortalamaya dayanarak karar vermeden önce her testin sonucunu ve değerlendirme ayarlarını ayrı ayrı incelemek; eğitim ve test verileri arasında olası örtüşmeyi ve karşılaştırılan modellere eşdeğer koşullar sağlanıp sağlanmadığını kontrol etmek gerekir. Bir robotta kullanım için daha belirleyici sınama ise hedef donanımda kapalı döngü uygulamadır: Robotun eylem sırasında gelen yeni gözlemlere göre kendini uyarlayıp uyarlayamadığı, görev başarı oranı, hatadan toparlanma, gecikme ve güvenlik, karşılaşacağı nesneler ve koşullar altında ölçülmelidir. Yayımlanan anlama puanı bu ölçümlerin yerine geçmez. 1910