Zoellent AI Lab представила GR-SAC, легкий контроллер на основе обучения с подкреплением, предназначенный для коррекции работы замороженной модели, объединяющей зрение, язык и действия. Метод был анонсирован в ноябре в Китае, после публикации репозитория и подачи результатов на таблицу лидеров RoboMME ранее в той же неделе.
GR-SAC расшифровывается как Gated Residual Soft Actor-Critic. Вместо того чтобы переобучать всю базовую модель, реализация добавляет визуального актора с 232 110 параметрами к SimpleMemVLA. Оригинальная модель продолжает интерпретировать наблюдения и генерировать последовательность действий, в то время как меньший контроллер изучает ограниченные корректировки команд сустава манипулятора.
Контроллер анализирует изображения с фронтальной и запястной камер, состояние робота и очередь ожидающих действий. Включение вентиля позволяет вносить поправки только при соблюдении определенных наблюдаемых условий, включая относительно стабильные целевые действия и команды захвата. Ограничения, затухание и сбросы контролируют накопление этих исправлений. Эти параметры являются решениями по проектированию управления, а не гарантией отсутствия небезопасного поведения во всех средах.
В представленных эталонных результатах процент успеха увеличился с 706 до 711 эпизодов из 800, что соответствует росту с 88,250% до 88,875%. Соответственно, количество неудач снизилось с 94 до 89, что представляет собой относительное уменьшение отказов на 5,32%, а не увеличение общего успеха на 5,32 процентных пункта.
Тестирование охватило 16 задач RoboMME, каждая из которых состояла из 50 эпизодов. Задача InsertPeg улучшилась с 46% до 52%, а MoveCube возросла с 94% до 100%. Однако не все задачи показали улучшение: в эталонной таблице также зафиксированы регрессии, поэтому совокупный результат нельзя рассматривать как универсальный прирост по всем навыкам манипуляции.
Zoellent описывает GR-SAC как лидера в стандартном треке RoboMME, который оценивает методы на основе открытых моделей. Та же объединенная таблица лидеров включает отдельную категорию Agentic, использующую проприетарные передовые модели и человеческий эталон. Таким образом, позиция в стандартном треке не эквивалентна превосходству над каждой записью в общей таблице.
Общедоступный репозиторий содержит технический отчет, контрольную точку эталонного контроллера, материалы для обучения и оценки, а также результаты по каждой задаче. Код имеет лицензию MIT; это не отменяет автоматически условия базовой модели или других зависимостей. Сообщенные результаты остаются эталонными оценками разработчиков, а не независимо воспроизведенным тестом надежности на реальном производстве.



