十万人时数据打底

在七月十六日, 小米正式搞出来了一款名为小米具身基底模型一号的产品, 这可不是一般普通的软件更新, 而是在针对真实移动操作任务这块有着很大的突破, 该模型是基于十万小时真实世界数据来进行预训练的, 能表明它经历知晓过、操作处理过无数类的情况。

在传统机器人范畴里, 这般的数据规模是极其少见的。一般而言, 机器人会被硬件以及数据收集的困难程度所限制, 从而很难获取到如此巨大的样本。小米团队借助UMI设备对大量轨迹进行了采集, 这些轨迹涵盖了家庭、商业以及工业等多种不同的场景, 进而为模型筑牢了坚实的基础。

两周自动标注完成

面对数量巨大的数据, 依靠人工进行标注基本上是一项不可能完成的任务。小米借助配合高效的视觉语言模型, 仅仅花费了两周时间就达成了全量自动标注。这样一种效率的提升, 让处理十万小时视频变成了可能。

此般自动化标注技术, 大幅度减低了数据处理之成本, 缩短了数据处理之时间, 它一方面确保了数据之准确无误程度, 且同时又给后续之训练过程, 供应了质量超佳之标签用以适配关联情景之变化状况，这种操作使得用以关联分析的算法相关模型, 更能够以较快速之方式来汲取关联知识, 进而能够更加灵活地去适应各种千变万化不同场景之复杂差异, 最终显著提高全面整体性之先进智能化层级标准。

跨本体对齐技术

于后训练阶段之时, 团队运用了大约一万小时的跨本体数据来予以对齐, 此一步骤致使模型拥有了“开箱即用”的能力, 可适应不同种类的移动操作任务。

经历本体和指令的对齐, 模型掌握了怎样领会人类的意图, 还把它转变成具体的动作。这样的通用性致使机器人不再被限定于单一场景, 而是能够在变化多样的环境里灵活地工作, 极大地拓宽了其应用范围。

三种版本满足不同需求

此次所发布的模型, 给出了2B、5B、10B这三种版本, 目的是去适应不一样的算力资源以及应用场景。其中小版本适宜边缘设备, 而大版本在复杂任务当中展现得更为出色。

这般分级策略展现出小米对规模化发展的看重, 伴随数据量以及模型尺寸的提高, 动作预测精度与未见场景任务成功率皆呈现出清晰的增长态势, 企业能够依据自身需求挑选最为合适的版本, 达成性价比的最大化。

刷新行业最优纪录

显示出小米具身基底模型一号在好多公开仿真基准数上把SOTA纪录更迭了, 这由能够公开到具体实物、可以感受到的, 有实际效果的实验数据来做支撑, 证实彰显说明表明显露了它在动作预测以及任务执行两项能力上的杰出优异卓绝的性能表现。

此项成绩不但展现出研发能力, 还更进一步证实了”规模法则“于具身智能范畴的有效性, 借助大规模预训练以及跨本体后训练, 模型得以拓展至更多尚不了解场景范畴, 为机器人迈向真实物理世界给予了强有力支撑。

可规模化的训练路径

对此, 小米实现了对一条“历经了大规模预训练, 接着经过跨本体后训练, 再于少量数据上不断进行微调” 的达成了行得通扩大应用那种途径的确证。而且凭借此种范例给到行业创造提供极具参考有价值的经验。

该将传统机器人策略模型囿于硬件依赖以及数据稀缺的瓶颈给解决掉了。往后, 众企业能够参照此模式, 促使具身智能技术的落地运用得以加速, 推动机器人从实验室演示迈向复杂的真实世界。

你认为这般大规模数据训练样式, 会促使家用机器人愈发迅速地步入千家万户吗, 欢迎留言展开讨论, 点赞分享以使更多人得以看见！