شياومي تطلق نموذجًا جسديًا بـ 38 مليار معلمة، بكفاءة أعلى بـ 82.9 مرة

أخبار ar.wedoany.com، في 15 يوليو، أطلقت شركة شياومي رسميًا النموذج الأساسي العالمي الانحداري "Xiaomi-Robotics-U0" الذي يضم 38 مليار معلمة. يُعد هذا أول نموذج جسدي توليدي موحد يجمع بين النموذج الأساسي لتوليد الصور والنمذجة الجسدية للعالم، وقد احتل المرتبة الأولى في توليد الفيديو الجسدي ضمن منصة "World Arena"، كما أدى إلى تحسين متوسط إنجاز المهام بنسبة تزيد عن 26% في التقييمات الواقعية عالية الصعوبة.

على عكس النماذج الجسدية التقليدية التي تُدرَّب فقط على مسارات الروبوتات، يعمل "Xiaomi-Robotics-U0" ضمن إطار انحداري واحد على توحيد وظائف توليد المشاهد الجسدية متعددة الرؤى، والانتقال الجسدي، وتوليد فيديوهات التفاعل الروبوتي، وتوليد الصور العامة من النصوص، وتحرير الصور. يتعامل هذا النموذج مع التوليد الجسدي كامتداد لتوليد الصور والفيديو الأساسي، مما يمكنه من توليد بيانات رصد روبوتية متعددة الرؤى تتوافق مع القوانين الفيزيائية بناءً على تعليمات لغوية مباشرة.

فيما يتعلق بتوليد المشاهد الجسدية، يدعم النموذج التوليد متعدد الرؤى. وفي مجال الانتقال الجسدي، يمكن لـ "Xiaomi-Robotics-U0" نقل المشهد الحالي إلى مشهد جديد مع الحفاظ على سلوك التفاعل الروبوتي دون تغيير، وذلك من خلال فك ارتباط أبعاد مثل مساحة العمل والخلفية والإضاءة لتحقيق توسع هائل في المشاهد. أما في مجال توليد فيديوهات التفاعل الروبوتي، فيمكن للنموذج التنبؤ بعملية التفاعل المستقبلية بناءً على الرصد الأولي والتعليمات التشغيلية، مع دعم التمرير عبر المشاهد والتنبؤ متعدد الرؤى، ويتمتع بقدرة تعميمية بدون عينات تدريبية.

في مجال توليد الصور العامة من النصوص وتحرير الصور، يحتفظ "Xiaomi-Robotics-U0" بالقدرات ذات الصلة، مما يتيح تركيبًا بصريًا عالي الدقة عبر المشاهد والأهداف والأنماط المختلفة، ويدعم التحرير الموجه بالتعليمات مع تغيير النية مع الحفاظ على البنية دون تغيير.

في التقييمات البشرية، تفوق أداء "Xiaomi-Robotics-U0" في توليد المشاهد الجسدية والانتقال الجسدي على أداء "GPT-Image-2.0". وفي المهام الدقيقة، ومعالجة الأجسام القابلة للتشوه، والمهام طويلة المدى، أدت استراتيجية التدريب باستخدام البيانات الموسعة من هذا النموذج إلى تحسين متوسط إنجاز المهام بنسبة 26.3% تحت تأثير الإضاءة غير المعروفة والخلفيات الغريبة. وبالمقارنة مع "GPT-Image-2"، أظهر "Xiaomi-Robotics-U0" مزايا واضحة في تناسق الرؤى المتعددة، والتحكم الدقيق، ومتانة الانتقال، متجنبًا بشكل فعال مشاكل عدم تطابق الأجسام عبر الرؤى والتشوه المكاني.

على معيار تقييم "World Arena" الذي طورته جامعة تسينغهوا وجامعة بكين وغيرها، احتل "Xiaomi-Robotics-U0" المرتبة الأولى من بين أكثر من 100 نموذج، وحصل على أعلى الدرجات في مجالات التحكم، واتباع التعليمات، وجودة التفاعل.

كما قدمت شياومي خطة تسريع الاستدلال "FlashAR+"، والتي تستخدم معالجة لاحقة خفيفة الوزن وتقنية vLLM، بالإضافة إلى فك التشفير المتوازي القطري وجدولة معالجة الدفعات لذاكرة التخزين المؤقت للمفاتيح والقيم المقسمة إلى صفحات، مما أدى إلى تقليل وقت توليد عينة واحدة بدقة 1024*1024 بكسل من 450.77 ثانية إلى 5.44 ثانية، بزيادة كفاءة تبلغ 82.9 مرة.

في التطبيق الفعلي في مصنع سيارات شياومي، نفذت روبوتات شياومي مهامًا في محطة تركيب براغي التثبيت الذاتي، حيث ارتفع معدل نجاح العملية الثنائية الجانب إلى 98%، وبلغ معدل النجاح 90% في مهام ترتيب الأغطية الجانبية للوحة القيادة ومهام طي الصناديق وإعادة تدويرها.

يتمثل الاختراق الأساسي لـ "Xiaomi-Robotics-U0" في نقل المعرفة البصرية على نطاق الإنترنت إلى السيناريوهات الجسدية، مما يغير المسار التقليدي الذي كان يعتمد فقط على ضبط البيانات الدقيقة لمسارات الروبوتات، ويوفر اتجاهًا تقنيًا جديدًا لبناء محرك بيانات قابل للتوسع لأنظمة الذكاء الجسدي.