Xpeng опубликовала ИИ для роботов, обошедший GPT-6 Astra в тестах на восприятие

Разница оказалась не слишком большой, но она все-таки есть.

Китайский производитель электромобилей Xpeng выпустил нейросеть GroundingPI, предназначенную для автономных автомобилей и роботов. По данным компании, разработка превзошла GPT-6 Astra от OpenAI в тестах на пространственное и визуальное восприятие.

GroundingPI набрала 73.68 балла против 71.54 у американской модели. Испытания охватывали 34 общедоступных бенчмарка в 11 категориях, причем результаты каждой категории учитывались с одинаковым весом.

GroundingPI содержит около 4 миллиардов параметров, помимо сотрудников Xpeng моделью занимались исследователи нескольких китайских университетов. Разработчики открыли и код, и веса модели.

Главное отличие GroundingPI от универсальных больших языковых моделей заключается в подходе к обучению. Xpeng сосредоточилась на восприятии физического пространства, используя для обучения «голые» данные без разметки действий и движений суставов роботов.

Модель обучали обнаруживать предметы, распознавать текст и определять положение объектов в пространстве. По замыслу разработчиков, такие возможности должны помочь роботам быстрее ориентироваться в окружающей обстановке и выполнять поставленные задачи.

В Xpeng отмечают, что системы ИИ для работы с физическими объектами обычно разделяют на два уровня: быстрая система System 1 отвечает за восприятие и выполнение действий в реальном времени, а более медленная System 2 занимается пониманием команд и планированием. GroundingPI предназначена для первого уровня и может использоваться совместно с универсальными ИИ-моделями, отвечающими за принятие сложных решений.

Испытания в симуляторе показали, что GroundingPI позволяет сократить объем данных, необходимых для обучения роботов. Система с новой моделью достигла более высокого процента успешного выполнения задач при использовании 50% обучающих демонстраций, чем сравнительные модели, получившие 75% таких данных.

Еще одно преимущество обнаружилось в тестах на изменение окружающей среды. В бенчмарках с сортировкой сыпучих материалов и подсчетом предметов в контейнерах модель сохраняла стабильные результаты при смене типов объектов, материалов и фона. В перспективе это позволит использовать такие системы на разных производственных участках с меньшими затратами на дополнительное обучение.