Один трансформер на сімсот задач
RT-1 навчили на 130 тисячах епізодів, зібраних за 17 місяців флотом із 13 роботів; одна модель виконала 97% із понад 700 вивчених вказівок і 76% таких, яких ніколи не бачила.
Чому це важливо
Аргумент про масштаб став для роботів конкретним: одна модель, що ввібрала сотні задач, працює краще за політики під кожну задачу окремо, і її узагальнення поліпшується від різноманіття даних, а не від інженерії під кожен випадок.
Роботу зробили Google і Everyday Robots. Навчальний набір — понад 130 000 епізодів, що покривають понад 700 задач, зібраних за 17 місяців флотом із 13 роботів. Модель виконала 97% із понад 700 вказівок, які бачила в навчанні, і 76% таких, яких не бачила. Стійкість вимірювали окремо: 83% на задачах із відволікальними предметами в кадрі і 59% на задачах зі зміненим тлом. Ці 700 задач надовго стали тією величиною, проти якої міряли кожну наступну універсальну політику. Порівняно з SayCan тут зникли окремі політики під кожну навичку: їх замінила одна модель, що покриває всі.