2026. augusztus 5., szerda · Modellek

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.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

Ha a videó-alapú világmodellek valóban jobban általánosítanak, az alapjaiban változtathatja meg a robotpolitikák felépítését a mostani nyelv-látás alapú megközelítésekhez képest.

Források

NVIDIA Technical Blog Hivatalos

Kapcsolódó témák

Napi összefoglalók AI kutatás #NVIDIA Cosmos 3#robotika

Napi összefoglaló

Ez a hír a 2026. augusztus 5., szerda napi AI összefoglaló része.

Helyesbítés · 2026. október 1., csütörtök

Helyesbítés (2026-10-01): az összefoglaló „több száz millió kép-, videó- és akciómintát” írt; a forrás szerint az akcióminták száma 8 millió, két nagyságrenddel kevesebb.

Kapcsolódó hírek

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.

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.

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.

NVIDIA RFD4-Proteina: gyorsabb fehérjetervezés reward-vezérelt kereséssel

Az NVIDIA bejelentette az RFD4-Proteina nyílt modellt, amelyet a Washingtoni Egyetem Orvostudományi Karának Protein Design Intézetével közösen fejlesztettek ki. A vállalat szerint a modell egy lépésben tervezi meg a fehérjeszekvenciát és a teljes atomi szerkezetet, kiküszöbölve a korábbi megközelítések külön inverz-folding lépését. Az NVIDIA állítása szerint a reward-vezérelt, inferencia idejű keresés a számítási kapacitást a legígéretesebb jelöltekre összpontosítja, a mintavételezési lépések számát pedig mintegy 400-ról 60-ra csökkentették, ami 3,8-szoros gyorsulást és 84 százalékkal kisebb csúcsmemória-igényt eredményez 200 aminosavas fehérjéknél az elődmodellhez, az RFD3-hoz képest. A modell nyílt forráskódú változatként és NIM mikroszolgáltatásként is elérhető, és a vállalat szerint olyan feladatokra használható, mint a PD-L1 onkológiai célpont elleni kötőfehérjék tervezése hotspot-megkötésekkel.