Para crear GEN-1, el generalista dijo que mejoró la estabilidad de entrenamiento, construyó núcleos personalizados, inventó nuevas formas de atención de página para permitir la inferencia en tiempo real, perfeccionó las técnicas de post-entrenamiento y endureció los controles para ser aún más suave y preciso. Fuente: Generalist AI
El generalista AI Inc. anunció ayer su modelo de IA para uso general GEN-1 para robótica. La compañía dijo que el sistema mejora las tasas de éxito promedio al 99% en tareas donde los modelos anteriores alcanzaron el 64%. El modelo también completa tareas aproximadamente tres veces más rápidas que los enfoques actuales, y requiere sólo una hora de datos de robot para cada uno de estos resultados, afirmó el generalista.
Fundada en 2024, el empresa está construyendo modelos de fundación encarnados para robots de uso general. San Mateo, Generalista con sede en Calif. afirmó que GEN-1 «desbloquea la viabilidad comercial en una amplia gama de aplicaciones». Esta última versión llegó sólo cinco meses después de que la compañía lanzó su modelo GEN-0, que dijo demostrado que leyes de escalar existen en robótica.
Mientras que el generalista era optimista sobre AI el progreso del modelo, observó que GEN-1 no puede resolver todas las tareas. La startup agregó que algunas tareas requerirían tasas de éxito superiores al 99% para ser útiles en entornos reales.
Nota del editor:En el 2026Robotics Summit & Expo los días 27 y 28 de mayo en Boston, habrá sesiones sobre el desarrollo de la IA física y encarnada.La inscripción está abierta.
trenes GEN-1 en datos del mundo real, escala desde GEN-0
GEN-1 escalas adicionales GEN-0’s fund and uses algoritmoic advances to start mastering simple tasks, explained Generalist AI. La compañía entrenó el modelo desde cero en su conjunto de datos de media millón de horas de datos del mundo real.
Con GEN-0, el generalista dijo que demostraba que era posible ampliar el aprendizaje robótico de manera generalizada, mucho como predecible progreso en modelos de lenguaje. La compañía dijo que cada tarea de cero que rastreó mejoró simultáneamente. Sin embargo, reconoció que el rendimiento del modelo “no era suficiente para ser utilizado en entornos comerciales. ”
GEN-1 se basa en la ampliación de los datos y el cálculo y se acelera por los avances algorítmicos, dijo el generalista. It reported that it is starting to see some tasks cross the level of performance needed to be deployed in economic useful settings.
Modelos generales anteriores en robótica que superan el 90% de éxito han dependido de enormes teleoperación datasets que son costosos y difíciles de escalar, señaló la empresa. En su lugar, para GEN-0 y GEN-1, el modelo de base se entrena sin ningún tipo de datos robot.
En cambio, el modelo utiliza datos de dispositivos de bajo costo usable en humanos que hacen millones de actividades, Generalist dijo que ha demostrado que este preentrenamiento puede conducir a altos niveles de dominio sin requerir una gran teleoperación o simulación Datasets.
Generalista utiliza avances en diversas tecnologías
GEN-1 incluye innovaciones previas a la formación, que mejoraron la eficiencia informática, según la AI generalista. Los avances en las técnicas de post-entrenamiento, el aprendizaje de la experiencia (LR), la orientación humana multimodal y las nuevas técnicas de inferencia también contribuyeron a un mayor rendimiento para cualquier tarea determinada, dijo.
Además de estos avances, la empresa dijo que GEN-1 ha escalado significativamente en términos de computación desde su modelo anterior. Demostró la capacidad de rápidamente aprender nuevas tareas,adaptarse a nuevos entornos, y mostrar momentos de sentido común físico,” señaló Generalista.
GEN-1 es un estudiante eficiente en datos, afirmó la empresa. En algunas pruebas, dijo que el modelo puede lograr un rendimiento comparable a GEN-0 con 10 veces menos datos específicos de tareas y pasos de ajuste.
Dado que el conjunto de datos preentrenamiento no contiene datos de robot, cuando GEN-1 se adapta a una nueva tarea, se adapta simultáneamente a esa encarnación de robot y a esa tarea por primera vez, dijo el generalista.
GEN-1 mejora la fiabilidad e inteligencia improvisada
“Modelos de fundación debe ser confiable, rápido y capaz de recuperarse de escenarios inesperados”, dijo el generalista. Cuando se trata de fiabilidad, la empresa dijo que GEN-1 puede realizar varias tareas a altos niveles de confiabilidad durante largos períodos sin intervención.
La compañía mostró GEN-1 trabajando en seis tareas: kitting auto parts for more than an hour, plegable camisetas 86 veces seguidas, servicio de vacíos robot más de 200 veces seguidas, empaquetando bloques más de 1,800 veces seguidas, plegando cajas más de 200 veces seguidas, y empaquetando teléfonos más de 100 veces seguidas.
Sin preentrenamiento, las tareas entrenadas desde cero exhibieron un rendimiento deficiente, con una tasa promedio de éxito del 19%. Modelos GEN-0 ajustados en estas tareas para alcanzar el 64% de las tasas de éxito. El generalista dijo que GEN-1 se cruzó en tasas de éxito a nivel de producción, con un promedio del 99%.
Generalista dijo que estos modelos pueden responder creativamente a escenarios inesperados. En el ejemplo de kitting automotriz, si se golpeó una lavadora de modo que ya no se celebró correctamente, el robot podría ponerlo de nuevo para regrasp it, o podría insertar parcialmente la lavadora en la hendidura para utilizar la destreza extrínseca para regrasping. Incluso podría decidir utilizar su otra mano para permitir el regrasamiento bimanual en la mano.
Si grandes objetos deformables como camisetas terminaron en configuraciones inesperadas, el modelo podría averiguar cómo recuperarse, dijo el generalista. “Estos comportamientos están fuera de la distribución del entrenamiento y contribuyen directamente a recuperarse de eventos inesperados de cola larga”, dijo.
Modelo generalista acelera la terminación de tareas
El generalista AI dijo que GEN-1 permite la terminación de tareas aproximadamente tres veces más rápido que el estado del arte (SOTA) para las manifestaciones. El modelo puede reaccionar a la nueva física de objetos en consecuencia.
Por ejemplo, GEN-1 puede montar una caja en 12.1 segundos. Generalista dijo que esto es 2.8x más rápido que antes SOTA — GEN-0 y π0 ambos tomaron alrededor de 34 segundos en cajas idénticas. GEN-1 también puede empacar un teléfono en un caso en 15.5 segundos, a 2.8x la velocidad de GEN-0.
Varios componentes permitieron estos niveles de velocidad, dijo el generalista. Los modelos aprenden de la experiencia y representan una evolución en la inferencia con la racionalización armónica, dijo.
La empresa también acreditó sus dispositivos de reunión de datos para proporcionar a sus modelos acceso a una amplia gama de datos de preentrenamiento de completar varias otras tareas a altas velocidades, transfiriendo conocimiento de la exposición general a las dinámicas implicadas. El generalista contrastó esto con los sistemas tradicionales de teleoperación que producen datos de menor velocidad, naturalmente debido a la falta de retroalimentación de la fuerza, latencia y problemas de visibilidad.
“Construyendo GEN-1 no fue fácil — rediseñó nuestra infraestructura de capacitación distribuida para apoyar a los petabytes de datos de interacción física como ciudadano de primera clase», dijo el generalista AI. La compañía dijo que el acceso anticipado asociados ahora puede obtener acceso al modelo.
El puesto Generalista presenta GEN-1 modelo de uso general para AI física apareció primero The Robot Report.
Fuente: Leer completo
Seguí las últimas noticias de robótica en español.
