2026. szeptember 25., péntek · Modellek

Black Forest Labs kiadta a FLUX 3 Action nyílt robotikai AI-modellt

A Black Forest Labs bemutatta a FLUX 3 Action nevű nyílt AI-modellt, amely a korábbi, videó-, kép- és hangadatokon tanított multimodális FLUX 3 modellre épül. A rendszer robotmunkaterek több kameraforrásból érkező videóit dolgozza fel, és ezekből jósolja meg, milyen következő lépést tegyen a robot, valamint hogyan változik meg ettől a környezet. A vállalat állítása szerint a modell mindössze hét milliárd paraméterrel új csúcsot ért el a RoboLab-120 ranglistán, miközben a korábbi legjobb nyílt modellnél kevesebb mint feleakkora méretű, és akár 3,95-szer gyorsabban fut. A Black Forest Labs szerint a nagy méretű, gondolkodó modellek jól terveznek, de robotikai alkalmazásra túl lassúak és túl nagyok, ezért fontos a hatékonyság az eszközön futtatott (on-device) telepítéshez. A modellsúlyok elérhetők a Hugging Face platformon.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A hét milliárd paraméteres méret és a Hugging Face-en elérhető nyílt súlyok azt jelentik, hogy fejlesztők eszközön futó, gyors robotvezérlő modellt tölthetnek le és futtathatnak saját hardveren, nagy felhő-infrastruktúra nélkül.

Források

The Decoder

Kapcsolódó témák

Napi összefoglalók AI kutatás #Black Forest Labs#robotika

Napi összefoglaló

Ez a hír a 2026. szeptember 25., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Black Forest Labs bemutatta a FLUX.3 Image Klein nyílt súlyú képmodellt

A Black Forest Labs bejelentette a FLUX.3 Image Klein nevű nyílt súlyú képmodellt, amely 5,6 milliárd paraméterrel szöveg-kép generálást, képszerkesztést és akár tíz referenciakép alapú generálást is támogat. A cég szerint a modell natív 4K felbontást, pixelpontos szerkesztést és bounding box alapú elemelhelyezést kínál, és belső teszteken a legmagasabb Elo-pontszámot érte el a nyílt modellek közül, megelőzve a zárt Ideogram V4.5-öt és a saját FLUX.2 [pro] modelljét is. A Hugging Face blogja szerint a modell a Diffusers könyvtárba is beépült, a desztillált változat H100 GPU-n másodpercek alatt generál 1024×1024-es képet. Egy INT8-as verzió mindössze 8 GB videomemóriával futtatható, és a cég közlése szerint egy RTX 4070-es kártyán 9 másodperc alatt elkészül egy kép. A súlyok a FLUX Kommunity License alatt érhetők el, amely évi 5 millió dollár alatti bevételű cégeknek ingyenes kereskedelmi felhasználást biztosít.

Google egyetlen AI-modellel irányítaná a robotokat: a Gemini 4 Argon

A Google bemutatta a Gemini 4 Argon nevű modellt, amely a cég állítása szerint egyetlen rendszerben fogja össze a robotikai folyamat egészét: irányítja a robotokat, fényképekből vagy vázlatokból virtuális gyakorlóterepeket épít, és kiértékeli a betanító adatokat. A Google demonstrációja szerint egy Boston Dynamics Spot robotnak szódásdobozokat kellett egy pedálos kukába dobnia: a modell előbb szimulációban gyakoroltatta a hárompontos egyensúlyozást, majd két külön AI-ügynök ellenőrizte a láb és a fogó pozícióját, mielőtt a valódi gépen megtörtént a próba. Egy másik bemutatóban egyetlen fotóból 77 feladatot és több mint 4500 betanító epizódot generált egy asztali jelenetből, ami a vállalat szerint 56-ról 75 százalékra növelte a sikerességi arányt, a végrehajtási időt pedig 35-ről 24 másodpercre csökkentette. A modell egyelőre csak a Google fizetős fejlesztői programjain keresztül érhető el, és a bemutatott példák még részletes emberi útmutatást igényelnek.

NVIDIA: a World Action Modellek felváltják a robotikai VLA-kat

Az NVIDIA technikai blogja szerint a robotpolitikák új generációja, az úgynevezett World Action Model (WAM) videó-alapú világmodellekre épül, nem a megszokott nyelv-látás (VLM) alapú vision-language-action (VLA) rendszerekre. A cég állítása szerint a WAM-ok jobban általánosítanak új feladatokra, robotokra és környezetekre, mert a tanult fizikai dinamikát használják, nem csak szemantikus leképezést. Az NVIDIA saját, nyílt Cosmos 3 modelljét mutatja be alapként, amely Mixture-of-Transformers architektúrára épül, és nagyjából 767 millió képet, 348 millió valós dinamikát rögzítő videót és 8 millió akciómintát tartalmazó adathalmazon tanult. A vállalat szerint a Cosmos 3 munkaállomásos és Jetson-alapú, valós idejű futtatást is lehetővé tesz, kevesebb feladatspecifikus adattal érve el jobb teljesítményt. Az állítások az NVIDIA saját blogbejegyzéséből származnak, független megerősítés nélkül.

Hassabis: az AGI már két-három éven belül itt lehet

Demis Hassabis, a Google DeepMind alapítója és kémiai Nobel-díjas tudós a Wall Street Journalnak adott interjúban arról beszélt, hogy becslése szerint az általános mesterséges intelligencia (AGI) már két-három éven belül megérkezhet, szemben a korábbi, három-öt éves jóslatával. A Decoder cikke szerint Hassabis AGI-definíciója egy olyan rendszer, amely lefedi az emberi agy teljes kognitív skáláját, és ezt az úgynevezett „Einstein-teszttel” mérné: képes-e egy kizárólag 1901 előtti tudáson tanított rendszer reprodukálni Einstein 1905-ös dolgozatait. Hassabis az AGI hatását „10-szer akkorának és 10-szer gyorsabbnak” nevezte, mint az ipari forradalom. A cikk szerint Hassabis a Google DeepMind éléről lelépve most a cég gyógyszerkutatási leányvállalatára, az Isomorphic Labsra összpontosít, emellett egy iparág által finanszírozott, kormányzati felügyelet alatt álló testületet javasolt a modellek kiadás előtti ellenőrzésére.