في عالم الذكاء الاصطناعي، تعد نماذج الرؤية واللغة (Vision-Language Models) ونماذج الرؤية-اللغة-الفعل (Vision-Language-Action Models) من أعظم الابتكارات التقنية. لكن ماذا لو كانت هناك فجوة بين هذين النوعين من النماذج تعوق الأداء الفعال؟ هنا تظهر تقنية EmbodiedMidtrain كمحور رئيسي في معالجة تلك الفجوة!

تظهر الأبحاث أن معظم نماذج VLA تعتمد بشكل كبير على نماذج VLM الجاهزة، مما يؤدي إلى تقييد أدائها نتيجة عدم التكيف مع المجال الم embodied. تسعى EmbodiedMidtrain إلى توفير جسر فعّال بينهما من خلال تحسين تدريب البيانات.

يتمثل innovation في هذه التقنية في إنشاء محرك بيانات مخصص، يستخدم معايير قريبة قابلة للتعلم لاختيار المرشحين الأكثر توافقاً مع نماذج الVLA من مجموعة بيانات VLM الكبيرة. بعد ذلك، يتم تنفيذ عملية تدريب وسطية على هذه المجموعة المُعادلة قبل إجراء مرحلة ضبط الأداء النهائي لنماذج VLA.

أجريت عدة تجارب على ثلاثة معايير مختلفة للتحكم في الروبوتات، وأظهرت النتائج أن أداء النموذج قد شهد تحسناً ملحوظاً، حيث أصبحت النتائج قادرة على المنافسة مع نماذج VLA المتخصصة. توضح التحليلات أن EmbodiedMidtrain يمنح بداية قوية لتدريب نماذج VLA، حيث تظهر المكاسب من المراحل الأولى وتزداد على مدار فترة التدريب.

ما يثير الدهشة أكثر هو أن محرك البيانات الجديد يلتقط إشارات التوافق على مستوى مجموعة البيانات والعينات، مما يعزز من قوة التفكير المكاني بدلاً من المهام المرتكزة على النص.

الباحثون في هذا المجال يعتزمون إصدار جميع الشيفرات والموديلات الخاصة بهم لدعم الأبحاث المستقبلية، مما يجعلنا نتطلع إلى مستقبل مثير في هذا المجال! هل أنتم مستعدون لاكتشاف المزيد عن هذه التقنية المتقدمة؟ شاركونا آراءكم وتعليقاتكم حول ذلك!