GroundingPI: mô hình nền tảng 4B định vị đối tượng bằng điểm và hộp cho trí tuệ vật lý, vượt GPT-6 Astra trên 34 benchmark
GroundingPI là mô hình "grounding" 4 tỷ tham số, tức là xác định đối tượng nào trong ảnh là mục tiêu và nó nằm ở đâu, bằng cách xuất ra điểm và hộp bao (bounding box) dưới dạng tọa độ lượng tử hóa (số được chuyển thành token) trong cùng bộ từ vựng với văn bản. Nhóm tác giả cho rằng các hệ thống điều khiển robot như mô hình thị giác-ngôn ngữ-hành động (VLA) và world-action model đang mượn khả năng nhận thức từ các backbone thị giác-ngôn ngữ và sinh video đa dụng, vốn vẫn thất bại với cảnh lộn xộn, vật thể rất nhỏ và thường chưa đủ nhanh cho điều khiển vòng kín. Quá trình huấn luyện kết hợp tiền huấn luyện đa phương thức và không gian, tinh chỉnh có giám sát, và học tăng cường bằng GRPO, dùng dữ liệu công khai cùng các data engine được xây riêng. Trên 34 benchmark grounding bao phủ 11 năng lực nhận thức, mô hình đạt trung bình 73,68% so với 44 mô hình đối chứng, cao hơn GPT-6 Astra (71,54%) vốn lớn hơn. Khi dùng làm backbone thị giác, GroundingPI cũng cải thiện hiệu năng thao tác robot, cho thấy một mô hình nhận thức nhỏ gọn, chuyên biệt có thể giúp AI trong thế giới vật lý hiệu quả hơn một mô hình đa dụng lớn.
Đáng chú ý với nhà phát triển robot và thị giác máy tính: mô hình định vị đối tượng nhỏ gọn có thể giúp robot nhận biết vật thể tốt hơn. Đây là kết quả nghiên cứu, nên hãy theo dõi bài báo gốc để biết khi nào có thể dùng thử.
Đọc bài gốc