Tencent Robotics ने WAIC 2026 कार्यक्रम के हिस्से के रूप में तीन मूर्त मौलिक मॉडल प्रस्तुत किए। इन मॉडलों में दृश्य समझ के लिए VLM, दृश्य स्थितियों को ध्यान में रखते हुए योजना बनाने के लिए संज्ञानात्मक मॉडल RxBrain और 500-1000 हर्ट्ज की दर से निरंतर क्रियाओं के लिए VLA शामिल हैं।
मुख्य वैज्ञानिक अधिकारी डॉ. झांग झेनयौ ने इस वास्तुकला को एक मौलिक समस्या के समाधान के रूप में प्रस्तुत किया जिसे वर्तमान VLA दृष्टिकोण पर्याप्त रूप से संबोधित नहीं करते हैं। उन्होंने उल्लेख किया कि विभिन्न प्रकार की रोबोटिक बुद्धिमत्ता को विभिन्न आवृत्तियों पर कार्य करना चाहिए, क्योंकि भौतिक दुनिया स्वयं कई समय पैमानों पर काम करती है।
इस समस्या की समझ ओपनक्लॉ में रोबोट की क्षमताओं को स्थानांतरित करने के एक असफल प्रयोग के बाद आई, जिससे दर्जनों सेकंड की देरी हुई, जो भौतिक रोबोटों के लिए अस्वीकार्य है, जहां 2-3 सेकंड की संज्ञानात्मक देरी भी एक समस्या है।
तीन-स्तरीय वास्तुकला आवृत्ति विभाजन के माध्यम से इस समस्या का समाधान करती है। Hy-Embodied-VLM कम आवृत्ति पर स्थानिक समझ के लिए जिम्मेदार है, जो दृश्य दृश्यों और वस्तुओं के संबंधों की व्याख्या करता है। Hy-Embodied-RxBrain संज्ञानात्मक वास्तुकला में एक महत्वपूर्ण नवीनता है: यह न केवल भाषा में कार्य चरणों को उत्पन्न करता है, बल्कि यह भी विज़ुअलाइज़ करता है कि प्रत्येक उप-कार्य पूरा होने के बाद भौतिक दुनिया कैसी दिखनी चाहिए, पाठ विवरणों के बजाय दृश्य स्थिति प्रस्तुतियों का उपयोग करके।
यह केवल भाषा पर आधारित योजना प्रणालियों की मुख्य सीमा को दूर करता है, क्योंकि पाठ विवरण स्थानिक संबंधों और भौतिक बाधाओं को प्रभावी ढंग से प्रसारित नहीं कर सकते हैं जिन्हें दृष्टि के माध्यम से तुरंत संप्रेषित किया जा सकता है। Hy-Embodied-VLA उच्चतम आवृत्ति पर काम करता है, उच्च-स्तरीय लक्ष्यों को निरंतर निम्न-स्तरीय क्रिया कमांड में परिवर्तित करता है जिसकी गति वास्तविक समय में भौतिक दुनिया के साथ इंटरैक्ट करने के लिए पर्याप्त है।
Tencent ने बताया कि Hy-Embodied-VLA का रासायनिक संयंत्र में उत्पादन परीक्षण किया गया था। यह मॉडल अत्यधिक मिश्रित, कम बैच, SKU-गहन असेंबली लाइनों को संभालता है, प्रति भाग चक्र समय 6 सेकंड से कम सुनिश्चित करता है। इसके अलावा, मॉडल केवल 8 घंटे के डेटा संग्रह और फाइन-ट्यूनिंग के साथ नए SKU के अनुकूल हो सकता है।
परीक्षण की स्थितियाँ प्रयोगशाला प्रदर्शनों से काफी भिन्न हैं: वस्तुएं यादृच्छिक रूप से रखी जाती हैं, प्रकाश व्यवस्था बदलती रहती है, उत्पादन में रुकावटें आती हैं, और रोबोट को लगभग शून्य विफलता स्तर प्राप्त करना होता है। डॉ. झांग ने जोर देकर कहा कि बिना वास्तविक कार्यान्वयन के 80-90 अंक प्राप्त करने वाला प्रदर्शन वास्तव में महत्वहीन है, और कारखाना परीक्षण मापनीय औद्योगिक प्रदर्शन के प्रति प्रतिबद्धता को दर्शाता है, न कि बेंचमार्किंग मेट्रिक्स को।
संज्ञानात्मक मॉडल RxBrain दूसरी जटिल समस्या का समाधान करता है - रोबोटिक तर्क में भाषा की बाधा। पिछले Tairos सिस्टम अंतर-मस्तिष्क संचार के लिए पाठ पर निर्भर थे, हालांकि वस्तुओं के स्थानिक संबंधों का शब्दों में वर्णन अक्सर शब्दजालपूर्ण और अस्पष्ट होता है। नियोजन चक्र में दृश्य स्थिति प्रतिनिधित्व को शामिल करके, RxBrain धारणा और कार्रवाई के बीच सूचना हस्तांतरण की उच्च थ्रूपुट सुनिश्चित करता है।
इस मॉडल को पूर्ण विश्व मॉडल के बजाय एक मूर्त संज्ञानात्मक दुनिया मॉडल के रूप में वर्णित किया गया है, क्योंकि इस क्षेत्र में अभी तक एक सर्वसम्मत एकल विश्व मॉडल वास्तुकला हासिल नहीं की गई है। तीनों मॉडल और Tairos प्लेटफॉर्म मिलकर Tencent के संपूर्ण मूर्त बुद्धिमत्ता स्टैक का निर्माण करते हैं, जो किसी भी डेवलपर या निर्माता के उपयोग के लिए उपलब्ध है। इस प्रकार, रोबोटिक्स समुदाय अब उस आवृत्ति-संवेदनशील वास्तुकला पर निर्माण कर सकता है जिसे Tencent ने वास्तविक विफलताओं और पुनरावृत्तीय सुधार के माध्यम से विकसित किया है।
LimX Dynamics ने प्रदर्शित किया कि कैसे पूर्ण आकार का ह्यूमनॉइड रोबोट Oli वास्तविक आवासीय स्थान की स्थितियों में बिना रिमोट कंट्रोल या संपादन के लंबे समय तक घरेलू कार्यों को स्वतंत्र रूप से कर सकता है।
31 डिग्री की स्वतंत्रता वाला रोबोट एक निरंतर चक्र में कई घरेलू कर्तव्यों का लगातार पालन करता रहा, जिसमें कपड़े तह करना, वस्तुओं को व्यवस्थित करना, बक्सों को रखना, कचरा इकट्ठा करना और पानी पहुंचाना शामिल था। दीर्घकालिक स्वायत्त हेरफेर का यह प्राप्त स्तर LimX को फिगर कंपनी के साथ दुनिया में दूसरे स्थान पर रखता है।
यह सफलता LimX के मस्तिष्क वास्तुकला COSA 0.5 के कारण हुई है, जो जानबूझकर मस्तिष्क कार्य के लिए उद्योग की सामान्य मॉडल दृष्टिकोण को अस्वीकार करता है। संस्थापक झांग वेई का तर्क है कि बड़े मॉडल को मस्तिष्क के कार्यों के रूप में मानना गलत है। वह शुद्ध बड़े मॉडल की तुलना बिस्तर पर लेटे स्टीफन हॉकिंग से करते हैं: अत्यधिक बुद्धिमान, लेकिन पूरी तरह से हिलने-डुलने में असमर्थ। झांग वेई के अनुसार, मस्तिष्क एक ऐसी प्रणाली है जो संज्ञानात्मक क्षमताओं, कौशल और गति नियंत्रण को एक एकीकृत वास्तुकला में व्यवस्थित करती है जो एक वास्तविक भौतिक शरीर पर काम करती है।
COSA तीन-चरणीय S2-S1-S0 वास्तुकला को लागू करता है, जो विभिन्न समय पैमानों पर कार्य करता है। S2 संज्ञानात्मक स्तर प्रीफ्रंटल कॉर्टेक्स के रूप में कार्य करता है, दृश्य-भाषा-मॉडल (LLM/VLM) एजेंट का उपयोग करके दृश्य, स्मृति, दुनिया मॉडलिंग, तर्क और मानव के साथ बातचीत को समझता है। यह स्तर निर्धारित करता है कि कौन सी क्रियाएं करने की आवश्यकता है। S1 कौशल स्तर प्रशिक्षित क्षमताओं का एक सेट प्रदान करता है, जिसमें पूरे शरीर की गति उत्पन्न करने के लिए दृश्य-भाषा-क्रिया (VLA) मॉडल शामिल हैं। और S0 गति नियंत्रण स्तर सीधे डिवाइस पर 10 मिलियन पैरामीटर वाली संपूर्ण शरीर की WBT नीति के साथ काम करता है, 1000 हर्ट्ज की आवृत्ति पर, ऊपर के स्तरों से मनमाने लक्ष्य आंदोलनों को संतुलित, समन्वित जोड़ों के आदेशों में परिवर्तित करता है।
ये परतें जानबूझकर संकीर्ण इंटरफेस के माध्यम से परस्पर क्रिया करती हैं: इरादा नीचे भेजा जाता है, और रोबोट की स्थिति अतुल्यकालिक रूप से ऊपर भेजी जाती है, जिससे काम अवरुद्ध नहीं होता है। यह वास्तुकला स्थिर पुनरावृत्ति की अनुमति देती है, जिसे एकल मॉडल पर आधारित दृष्टिकोण हासिल नहीं कर सकते। प्रत्येक परत को अन्य को प्रभावित किए बिना स्वतंत्र रूप से अपडेट, बदल या फाइन-ट्यून किया जा सकता है। Oli के प्रदर्शन में वास्तविक रोबोट पर सुदृढीकरण शिक्षण का उपयोग किया गया था, जहां विशेषज्ञों ने दूर से त्रुटियों को ठीक किया, और S0 ने स्वयं संतुलन बनाए रखा। एकत्र किए गए डेटा का उपयोग पुरस्कार मॉडल को प्रशिक्षित करने के लिए किया गया था, और RL वास्तविक रोबोट पर पुनरावृति करना जारी रखा, जिससे हर उपयोग के साथ सिस्टम मजबूत होता गया, न कि प्रारंभिक प्रशिक्षण के बाद रुक गया।
घरेलू प्रदर्शन ने भी कारखाने के बाहर अनुप्रयोग पर LimX की रणनीतिक शर्त की पुष्टि की। जबकि एम्बेडेड एआई में लगे अधिकांश संगठन औद्योगिक कार्यान्वयन पर ध्यान केंद्रित करते हैं, LimX के सीईओ झांग वेई ह्यूमनॉइड्स को वाणिज्यिक सेवाओं, आतिथ्य, मनोरंजन और घरेलू देखभाल के बाजारों पर लक्षित करते हैं, जहां मूल्य मानव जैसी शारीरिक बातचीत के माध्यम से बनाया जाता है। COSA 0.5 द्वारा खोली गई संभावना इस रणनीति को और अधिक विश्वसनीय बनाती है, यह प्रदर्शित करती है कि उपभोक्ता अनुप्रयोगों के लिए डिज़ाइन की गई प्रणाली स्वायत्त हेरफेर में विश्व स्तरीय हासिल करने में सक्षम है।
