Ce face acest model cu adevărat special? În primul rând, el nu se limitează să reacționeze la ceea ce vede, ci anticipează stările viitoare înainte de a executa o acțiune – un mecanism numit „Foresight Reasoning” (raționament de previziune). Apoi, se reîncadrează pe fiecare observație reală, corectându-și continuu predicțiile. Și, poate cel mai impresionant, atinge o frecvență de control asincron de 225 Hz, ceea ce înseamnă că poate lua decizii de 225 de ori pe secundă – suficient pentru a gestiona mișcări rapide și precise.
Haideți să descompunem arhitectura: în inima sistemului se află un „Causal DiT” (Diffusion Transformer cauzal), care modelează secvențe video și acțiuni într-un mod cauzal, adică fiecare cadru depinde doar de cele anterioare, nu și de cele viitoare. Apoi, avem un „sparse MoE video stream” (flux video cu amestec rar de experți), care permite modelului să proceseze eficient doar părțile relevante ale videoclipului, economisind resurse. Și nu în ultimul rând, un „semantic visual-action tokenizer” (tokenizator semantic vizual-acțiune) care transformă atât imaginile, cât și comenzile de mișcare într-un limbaj comun, ușor de înțeles de către model.
Dar, așa cum orice cercetător știe, hârtia nu este niciodată perfectă. Autorii recunosc că unele numere din raport nu se potrivesc – de exemplu, metricile de performanță pe anumite seturi de date sunt inconsistente. Acest lucru nu invalidează munca, dar subliniază cât de dificil este să construiești un model care să funcționeze atât în simulare, cât și în lumea reală.
De ce este important LingBot-VA 2.0? Pentru că el reprezintă o schimbare de paradigmă: în loc să antrenăm modele video să „vadă” și apoi să le adaptăm pentru acțiune, acum avem un model care „vede și acționează” simultan, gândit pentru roboți, drone, brațe mecanice și orice alt dispozitiv care trebuie să interacționeze cu mediul fizic. Ant Group, cunoscut mai ales pentru serviciile financiare, face un pas curajos înspre tehnologia de frontieră, iar acest model ar putea accelera dezvoltarea roboților autonomi în fabrici, depozite și chiar în case.
De ce este important:
LingBot-VA 2.0 este important pentru că deschide calea către o nouă generație de sisteme AI care nu doar „văd”, ci și „acționează” în lumea reală, cu o viteză și o precizie fără precedent. Prin combinarea raționamentului predictiv cu controlul de înaltă frecvență, acest model poate fi cheia pentru roboți care să funcționeze în medii dinamice, cum ar fi fabrici inteligente, logistică sau asistență medicală. De asemenea, arată că Ant Group investește serios în AI fizică, nu doar în AI conversațional sau financiar.
