Has GPT-6-Astra Achieved Embodied Intelligence?
Pubblicata su AIChronos il · fonte del · SenseNova, Joint Research Team, Zhongang Cai, Ziang Cao, Tailai Chen, Han Chong Chua (SenseNova)
GPT-6-Astra dimostra un livello di competenza nella manipolazione robotica e navigazione che sfida il paradigma dei modelli specializzati per singoli compiti. Attraverso una valutazione su 12 benchmark con l'apprendimento in contesto (ICL), il modello raggiunge prestazioni senza precedenti, sebbene rimanga al di sotto dell'intelligenza embodied pratica a causa di costi elevati nella raccolta dimostrazioni e limiti fisici nell'esecuzione lunga. Lo studio evidenzia che la coordinazione tra un reasoner ad alto livello 'System 2' (GPT-6-Astra) e un controller a basso livello 'System 1' è efficace ma costosa, suggerendo che il modello ha superato la soglia della competenza embodied ma non ancora quella dell'intelligenza pratica.
- Il report valuta GPT-6-Astra su 12 benchmark rappresentativi coprendo manipolazione da tavolo, umanoidi e piattaforme mobili.
- L'uso di un protocollo unificato che permette l'apprendimento in contesto (ICL) aumenta significativamente i passaggi di esecuzione.
- La coordinazione closed-loop tra reasoner 'System 2' e controller 'System 1' risulta costosa ma efficace per il controllo embodied.
- Gli esperimenti su configurazioni reali rivelano che le dimostrazioni robotiche necessarie per l'ICL sono troppo dispendiose da raccogliere.
- È implausibile scambiare tempi di esecuzione più lunghi con tassi di successo superiori a causa dei vincoli fisici.
Perché conta. Questa ricerca è cruciale per gli sviluppatori che lavorano su agenti e AI locale perché definisce i limiti attuali dell'ICL nel mondo fisico, evidenziando il divario tra competenza teorica e deployment pratico con vincoli di costo ed esecuzione.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.