2026. július 13., hétfő · Kutatás

NVIDIA RoboLab: új értékelési platform az általános célú robotirányítási modellek tesztelésére

Az NVIDIA Research bemutatta a RoboLab nevű platformot, amely a robotikában használt általános célú irányítási modellek (policy-k) szisztematikus értékelésére szolgál szimulált környezetben. A rendszer az NVIDIA szerint megoldja a korábbi benchmarkok fő problémáit: a vizuális és feladatbeli átfedést a tréning- és tesztadatok között, a benchmarkok telítődését, valamint a magas beállítási költséget, miközben robotfüggetlen, gyorsan skálázható feladat- és jelenetgenerálást kínál. A platform részletes diagnosztikai eszközöket integrál, köztük részleges pontszámítást, SPARC-alapú mozgásminőség-elemzést és hibaeseménynaplózást. Az NVIDIA tervei szerint a RoboLab funkcionalitása 2026 augusztusától beépül az NVIDIA Isaac Lab-Arena rendszerébe.

Miért fontos?

A robotikai alapmodellek értékelésének szabványosítása kulcsfontosságú a valós alkalmazhatóság megbízható méréséhez.

Források

NVIDIA Technical Blog Hivatalos

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #NVIDIA#robotika

Napi összefoglaló

Ez a hír a 2026. július 13., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Nvidia: a szoftveres keret dönti el az AI-ügynök sikerét, nem a modell

Az Nvidia péntek óta ismert kutatása szerint hosszú távú, sok lépésből álló feladatoknál nem a modell, hanem a köré épített szoftveres keret (harness) a döntő tényező. A cég állítása szerint egy egyedi, memóriakezelésre optimalizált és „felügyelő” komponenssel ellátott keretben a Claude Opus 5 modell 100%-os eredményt ért el az ARC-AGI-3 benchmarkon, amely instrukció nélküli 2D-s játékokból áll. Ugyanez a modell harness nélkül csak 30%-ot ért el, ami így is a legjobb eredmény volt a tesztelt modellek között. Az Nvidia szakembere szerint az ügynök valójában nem csak a modellből áll, hanem az eszközökből, a futásidőből és a hozzáférhető könyvtárakból is, amelyek együtt adják a tényleges teljesítményt. A cikk kontrasztként megemlíti a Microsoft áprilisi kutatását is, amely szerint 19 nagy nyelvi modell mindegyike hibázott hosszú dokumentumszerkesztési feladatoknál.

World Labs szimulációs motorral gyorsítaná a robottanítást

A Fei-Fei Li által alapított World Labs bemutatta a Real-to-Sim-to-Real (R2S2R) nevű rendszerét, amely egyetlen valós robotfeladatból ezernyi szimulált variációt hoz létre a vezérlőmodellek betanításához. A cég állítása szerint a technológia – amely a júliusban felvásárolt SceniX startuptól származik – a robotot, az érzékelőket és a környezetet interaktív virtuális világgá alakítja, amely fizikailag is úgy viselkedik, mint az eredeti. World Labs szerint a fő akadály nem a modellarchitektúra, hanem a megbízható működéshez szükséges tapasztalat mennyisége, amit valós teszteléssel drágán és nehezen lehetne biztosítani. A vállalat közlése szerint a szimulációban betanított modelleket valós hardveren, köztük a nyílt forráskódú ALOHA robotplatformon is kipróbálták, órákig megbízhatóan működtek. Az állítások egyelőre a cég saját közleményéből származnak, független megerősítés nem ismert.

Pegasus: emberi videókból tanulható robotadat generálása

Kutatók Pegasus néven olyan keretrendszert mutatnak be egy nem lektorált arXiv-preprintben, amely emberi manipulációs videókat alakít robotok számára tanulható adattá. A szerzők szerint a fő probléma nem a modellarchitektúra, hanem az adathiány: rengeteg emberi kézmozdulatot rögzítő videó elérhető, de a robotok az eltérő testfelépítés miatt nem tanulhatnak közvetlenül belőlük. A módszer állításuk szerint gráf alapú köztes reprezentációt épít – Feladatgráfból Affordancia- és Megkötés-gráfokon át Robot Tervezési Gráfig –, majd egy fizikai ellenőrző kiszűri a kinematikailag lehetetlen generálásokat. A megoldást a GTEA Gaze+ és az EPIC-KITCHENS-100 adathalmazokon, több robotmegtestesülésen tesztelték, és a szerzők megbízható embertől robotig terjedő adatátvitelről számolnak be. Mivel a publikáció még nem lektorált preprint, az eredmények független megerősítésre szorulnak.

Az NVIDIA nemegyenletes tenzorpárhuzamossága csökkenti a GPU-kiesések hatását az LLM-tréningben

Az NVIDIA műszaki blogján bemutatott Nonuniform Tensor Parallelism (NTP) keretrendszer lehetővé teszi, hogy nagy léptékű LLM-tréningek dinamikusan alkalmazkodjanak az átmenetileg elérhetetlenné váló GPU-khoz. Az NVIDIA állítása szerint az NTP az aktív GPU-k órajelének ideiglenes növelésével (dinamikus teljesítménynöveléssel) kompenzálja a kiesést, miközben a tenzor-újrafelosztás okozta többletterhelés 1% alatt marad. A módszer a Blackwell és Blackwell Ultra rendszerek NVLink összeköttetésein akár 72 GPU-s tartományokra is skálázható. Az NTP kísérleti jellegű megközelítés, amely a meglévő rugalmas skálázási technikákat – mint az adatreplikák eldobása vagy gyors ellenőrzőpont-újraindítás – egészíti ki azzal, hogy az áteresztőképesség-veszteséget minimalizálja a csökkentett rendelkezésre állás időszakában.