Çinin texnologiya nəhəngi Xiaomi robotların daha dəqiq və axıcı işləməsi üçün nəzərdə tutulmuş yeni süni intellekt modelini — Xiaomi-Robotics-0 layihəsini təqdim edib. Bu, şirkətin ilk böyük VLA (vision-language-action — “görmə-dil-hərəkət”) modeli hesab olunur və 4,7 milyard parametrə malikdir.
Layihə açıq şəkildə tədqiqat icmasına təqdim olunub və Xiaomi-nin “fiziki intellekt” adlandırdığı konsepsiyanı inkişaf etdirməyə yönəlib. Model real vaxtda görüntünü analiz edir, dili anlayır və fiziki hərəkətləri icra edə bilir.
Xiaomi-Robotics-0 qapalı dövr prinsipi ilə işləyir: qavrama-qərar-icra. Sistem iki əsas hissədən ibarətdir. Visual Language Model robotun “beyni” rolunu oynayaraq əmrləri — hətta qeyri-dəqiq ifadələri belə — şərh edir, səhnəni yüksək keyfiyyətdə analiz edir, obyektləri tanıyır və məntiqi nəticələr çıxarır. Hərəkət hissəsinə isə Diffusion Transformer əsaslı Action Expert cavabdehdir: o, ayrı-ayrı addımlar əvəzinə bütöv hərəkət ardıcıllıqları yaradır ki, bu da robotun hərəkətlərini daha hamar və dəqiq edir.
Modelin təlimi bir neçə mərhələdə aparılıb. Əvvəlcə vizual-dil bloku görüntünü analiz edərək mümkün hərəkət variantlarını proqnozlaşdırır, daha sonra Diffusion Transformer əsas xüsusiyyətlərə əsaslanaraq düzgün motor hərəkətləri formalaşdırmağı öyrənir. Bu yanaşma modelin “düşünmə” qabiliyyətinin fiziki öyrənmə zamanı zəifləməsinin qarşısını alır.
Şirkət xüsusilə gecikmələrin azaldılmasına diqqət yetirib. Asinxron hesablama rejimi sayəsində robot hesablamalar davam edərkən belə hərəkəti dayandırmır. Clean Action Prefix texnologiyası əvvəlki hərəkətləri yenidən istifadə edərək trayektoriyanı daha stabil edir, diqqət maskası isə mühitdəki dəyişikliklərə daha sürətli reaksiya verməyə kömək edir.
LIBERO, CALVIN və SimplerEnv testlərində model təxminən 30 rəqibini geridə qoyub. Real sınaqlarda isə iki manipulyatorlu robot platforması üzərində də uğurla işləyərək dəsmal qatlama və konstruktor hissələrinin ayrılması kimi uzunmüddətli tapşırıqları yerinə yetirib.
