LionRock AI Lab, входящий в состав Исследовательского института передовых технологий China Merchants Group, выпустил модель обобщенного рассуждения Lion-ER-35B-A3B. Эта модель предназначена для визуально-языкового понимания трехмерного пространства, состояния объектов и хода выполнения задач роботами. Об этом сообщило издание QbitAI 4 ноября. Веса модели доступны на платформе Hugging Face под лицензией Apache 2.0.
Модель Lion-ER, что расшифровывается как LionRock Embodied Reasoner, представляет собой архитектуру типа mixture-of-experts с общим количеством параметров около 35 миллиардов, при этом около 3 миллиардов параметров активны на каждый токен. Согласно карточке модели, она была дообучена на основе Qwen3.6-35B-A3B. Лаборатория утверждает, что модель продемонстрировала улучшение по всем десяти публичным бенчмаркам в области визуального и воплощенного рассуждения, достигнув среднего взвешенного показателя 65.29, где каждый балл усреднен по четырем выборкам ответов на один вопрос.
Среди отдельных показателей лаборатория отметила, что показатель пространственного размещения Where2Place составил 64.28, что на 9.30 пунктов выше, чем у базовой модели. Также был достигнут результат 64.38 на бенчмарке ERQA по воплощенному рассуждению, что превышает предыдущий показатель на 6.19 пункта. Модель набрала 89.33 на бенчмарке SAT по пространственному рассуждению, а в подкатегории понимания траектории ERQA наблюдался рост на 12.12 пунктов, достигнув 68.18.
Лаборатория считает, что простое увеличение объема данных для роботов не гарантирует повышения их возможностей. Вместо сбора данных в больших масштабах, команда разработала собственный механизм воплощенных данных, ориентированный на повышение возможностей. Сначала они структурировали воплощенное рассуждение по восьми основным областям, включая сущности, пространство, время, физику, возможности, задачи, социальный контекст и доказательства, а также 39 более детальных навыков. Каждый навык затем трансформировался в конкретные обучающие вопросы, определяющие сцены, наблюдения, запросы и доказательства, необходимые для получения проверяемого ответа; вопросы исключались, если визуальные доказательства были недостаточными. Человеческие рецензенты проверяли сложные примеры, в которых модели постоянно допускали ошибки.
В наборе данных для контролируемого обучения содержится 312 380 примеров, которые взвешены в зависимости от потребностей в возможностях, а не от объема источника. Затем цикл, основанный на оценке, направляет неудачи обратно в процесс создания данных: после исключения ошибок маркировки или оценки, команда формирует новый материал с тем же паттерном рассуждения из пула примерно в 4,3 миллиона записей, охватывающих 31 источник данных. В одном из случаев модель путала то, что объект находится выше на изображении, с тем, что он расположен выше в трехмерном пространстве, поэтому команда добавила сцены с многоуровневыми поверхностями.
В карточке модели указано, что Lion-ER предназначен исключительно для исследовательских целей, не проходил валидацию для принятия критически важных решений или управления автономными роботами, а результаты бенчмаркинга могут не переноситься на новые среды. Лаборатория также применила аналогичную методику к меньшим моделям с базовыми архитектурами 4B и 9B.
