Agibot Ge-Act 2.0 ha sido entrenado completamente desde cero utilizando datos de manipulación incorporada. Este proceso incluyó la representación visual, la generación futura y la predicción de acciones, todo a partir de una inicialización aleatoria. Es importante destacar que no se utilizaron generadores de video heredados ni se realizó un ajuste fino específico para tareas.
El modelo fue sometido directamente a una rigurosa prueba de cero disparos con robots reales. Esta prueba incluyó escenas y objetos nunca vistos, 100 tareas atómicas, 20 categorías de habilidades y dos tipos de robots.
Resultados del escalado de datos
- Los datos se escalaron 100 veces, pasando de 300 a 30 000 horas.
- El éxito de las tareas en G1-OP aumentó del 17.1% al 44.1%, sin mostrar signos de saturación.
- A medida que se escaló el modelo, surgieron nuevas habilidades, como doblar toallas, anidar vasos de papel, destapar bolígrafos y arreglar flores.
- Se observó una transferencia entre diferentes tipos de robots: G2-90D, con menos del 2% de los datos de entrenamiento, aún logró un aumento de 17.7 puntos porcentuales.
- Los datos de fallos se convirtieron en un activo de entrenamiento, incluyendo 2000 horas de manipulaciones fallidas y despliegues.
Un modelo capaz visualiza la realidad antes de actuar.