चीनचे Orca वर्ल्ड मॉडेल ॲक्शन लेबल्सशिवाय विशेष रोबोटिक्सशी स्पर्धा करते

चीनमधील संशोधकांचा एक महत्त्वपूर्ण शोध AI बुद्धिमत्तेच्या मूलभूत व्याख्येला आव्हान देत आहे. एक युनिफाइड वर्ल्ड मॉडेल थेट देखरेखीशिवाय (direct supervision) रोबोटिक्समध्ये प्रभुत्व मिळवू शकते, हे या संशोधनाने सिद्ध केले आहे. Orca मॉडेल हे दर्शवते की, केवळ व्हिडिओद्वारे जग कसे बदलते याचे निरीक्षण करून, AI एक सखोल अंतर्गत समज विकसित करू शकते, जी जटिल भौतिक कृती करण्यास सक्षम असते.

दुहेरी-शिक्षण इंजिन: अचेतन (Unconscious) आणि सचेतन (Conscious) मोड

Orca त्याच्या अंतर्गत "world state" तयार करण्यासाठी दोन आघाड्यांवर आधारित प्रशिक्षण पद्धतीचा वापर करून पारंपारिक विशेष मॉडेल्सपेक्षा वेगळे ठरते. पहिली पद्धत, "unconscious learning" (अचेतन शिक्षण), यामध्ये १,२५,००० तासांच्या अनलेबल (unlabeled) व्हिडिओवर प्रक्रिया केली जाते. या टप्प्यात, मॉडेल एका अमूर्त अवकाशात (abstract space) भविष्यातील फ्रेम्सचा अंदाज वर्तवते, ज्यामुळे कोणत्याही कॅप्शनशिवाय हालचालींचे नमुने, वस्तूंचे अडथळे (object occlusions) आणि दृश्यातील गतिशीलता समजून घेणे शक्य होते.

दुसरी पद्धत, "conscious learning" (सचेतन शिक्षण), यामध्ये मौखिक सूचना आणि वर्णने समाविष्ट केली जातात. व्हिडिओंचे भाग करून आणि resulting state changes ला लेबल लावून, Orca एका विशिष्ट कृती आणि त्याचा भौतिक परिणाम यांच्यातील कार्यकारण संबंध (causal relationship) शिकते. हे संयोजन मॉडेलला कच्ची दृश्य धारणा (raw visual perception) आणि उच्च-स्तरीय भाषिक तर्क (high-level linguistic reasoning) यांच्यातील अंतर कमी करण्यास मदत करते.

स्वॅप करण्यायोग्य इंटेलिजन्स मॉड्यूल्ससह एक 'फ्रोजन कोअर' (Frozen Core)

Orca ची रचना कमालीच्या अष्टपैलुत्वासाठी करण्यात आली आहे. हे "frozen core" म्हणून प्री-ट्रेन्ड Qwen3.5 लँग्वेज-इमेज मॉडेलचा वापर करते. प्रत्येक कार्यासाठी संपूर्ण सिस्टम पुन्हा प्रशिक्षित करण्याऐवजी, संशोधक या स्थिर पायाला विशेष, हलके "heads" जोडतात:

• Text Output: विद्यमान Qwen3.5 लँग्वेज हेडचा वापर करते.
• Image Generation: अंतर्गत वर्ल्ड स्टेटचे व्हिज्युअल प्रेडिक्शन्समध्ये रूपांतर करण्यासाठी Stable Diffusion 3.5 शी जोडलेले लहान अडॅप्टर्स वापरते.
• Robot Control: वर्ल्ड स्टेट्सचे भौतिक हालचालींमध्ये रूपांतर करण्यासाठी विशेषतः प्रशिक्षित केलेले कस्टम-बिल्ट "Action Expert" मॉड्यूल वापरते.

ही मॉड्यूलरिटी हे सुनिश्चित करते की मॉडेल प्रश्नांची उत्तरे देत असो, व्हिडिओ तयार करत असो किंवा मेकॅनिकल आर्म नियंत्रित करत असो, जगाची मध्यवर्ती समज सुसंगत राहते.

विशेष मॉडेल्स आणि दिग्गज मॉडेल्सना मागे टाकते

Orca-4B चे कामगिरीचे निकष लक्षणीय आहेत. टेक्स्ट-आधारित व्हिडिओ बेंचमार्कवर, Orca-4B ने सरासरी ५१.८ टक्के कामगिरी केली, जी Emu3 (34B) सारख्या मोठ्या मॉडेल्स आणि DeepSeek-VL2-3B सारख्या विशेष VLMs पेक्षा सरस आहे. PRICE-V0.1 बेंचमार्कद्वारे इमेज प्रेडिक्शन टास्कमध्ये, Orca-4B ने ५९.८ टक्के गुण मिळवले, जे FLUX.2 small सारख्या हाय-एंड जनरेटर्सना मागे टाकते.

सर्वात प्रभावी बाब म्हणजे, Orca ने पाच मॅनिप्युलेशन टास्कमध्ये (उदा. बाऊल्स रचणे आणि साखर उचलणे) $\pi$0.5—जे केवळ रोबोटिक ॲक्शन डेटावर आधारित सिस्टम आहे—च्या बरोबरीची कामगिरी दर्शवली आहे. महत्त्वाचे म्हणजे, Orca ने त्याच्या प्रचंड प्री-ट्रेनिंग टप्प्यादरम्यान कधीही ॲक्शन लेबल न पाहता हे साध्य केले. विशेष मॉडेल्स अनेकदा पुनरावृत्तीच्या लूपमध्ये अडकून पडतात, तिथे Orca ने उत्कृष्ट 'error recovery' दाखवली आणि अयशस्वी पकड (grasps) पुन्हा करण्याचा प्रयत्न केला.

AI च्या भविष्यासाठी हे का महत्त्वाचे आहे

Orca आधुनिक रोबोटिक्समधील सर्वात मोठ्या अडथळ्यांपैकी एक सोडवते: लेबल केलेल्या ॲक्शन डेटाची तीव्र कमतरता. AI केवळ निष्क्रिय निरीक्षणाद्वारे "जगाचे भौतिकशास्त्र" (physics of the world) शिकू शकते हे सिद्ध करून, हे संशोधन अशा सामान्य-उद्देशीय (general-purpose) रोबोट्ससाठी मार्ग मोकळा करते, जे लाखो तासांच्या मॅन्युअल, हँड-लेबल केलेल्या टेलिओपरेशन डेटाशिवाय नवीन वातावरणात तैनात केले जाऊ शकतात.

मुख्य निष्कर्ष (Key Takeaways)

• Unsupervised Foundation: Orca अनलेबल व्हिडिओच्या "unconscious learning" द्वारे जगाची गतिशीलता शिकते, ज्यामुळे महागड्या मानवी-अॅनोटेटेड डेटासेटवरील अवलंबित्व कमी होते.
• Modular Architecture: स्वॅप करण्यायोग्य अडॅप्टर्ससह फ्रोजन Qwen3.5 कोअरचा वापर केल्यामुळे एक मॉडेल एकाच वेळी मजकूर, प्रतिमा आणि रोबोटिक कंट्रोलमध्ये उत्कृष्ट कामगिरी करू शकते.
• Robotic Parity: प्री-ट्रेनिंग दरम्यान ॲक्शन लेबल्सचा कोणताही अनुभव नसतानाही, Orca-4B मॅनिप्युलेशन टास्कमध्ये विशेष रोबोटिक्स सिस्टम्सच्या कामगिरीशी बरोबरी करते.