Kínai kutatók bemutatták az Orca világmodellt, amely állapotokat jósol meg

Az Orca világmodell alapvetően eltér a jelenlegi mesterséges intelligencia-megközelítésektől: ahelyett, hogy a következő tokent, videóképet vagy robotmozgást jósolná meg, a világ következő állapotát modellezi egy absztrakt belső reprezentációban. A kutatók szerint az intelligencia nem speciális előrejelzési modelleken, hanem olyan általános világmodellek alapján kell hogy működjön, amelyek különféle feladatok megoldásához használhatók.

Az Orca két tanulási paradigmát kombinál: az »öntudatlan tanulás« folyamatos, feliratozatlan videókat használ, ahol a modell az absztrakt szinten jósolja meg a következő képet, így megtanulva a mozgásokat és jelenetdinamikát. A »tudatos tanulás« nyelvutasításokat ad hozzá, ahol a videók értelmes szegmensekre vannak osztva, és az állapotváltozásokat leírják. A modell alapjaként a Qwen3.5 előtanított nyelv-kép modellt használták, amelyhez különálló kisebb modulok csatlakoznak a különféle kimeneti formátumokhoz.

A tanításhoz 125 ezer óra videóanyagot, 160 millió eseményleírást és 11,5 millió kérdés-válasz párt használtak. Az Orca két méretben készült: 0,8 és 4 milliárd paraméterrel. A szövegbenchmarkokon az Orca-4B 51,8 százalékos átlagos teljesítményt ért el, felülmúlva több összehasonlítási alapmodellt.

A képelőrejelzésben az Orca-4B 59,8 százalékot ért el az új PRICE-V0.1 benchmarkon, megelőzve a speciális képgenerátorokat. Öt manipulációs feladatban egy kétkarú humanoid robottal versenyképes teljesítményt nyújtott, annak ellenére, hogy az alapmodell soha nem látott párosított kép-mozgás adatokat. A kutatók szerint ez a megközelítés enyhítheti a robotika alapvető adathiányának problémáját.