NVIDIA presenta RoboTTT, un modelo base para robótica y una receta de entrenamiento que extiende el contexto visuomotor a 8.000 pasos de tiempo sin aumentar la latencia de inferencia. Al integrar el Entrenamiento en Tiempo de Prueba (Test-Time Training) en políticas Visión-Lenguaje-Acción, el sistema comprime el historial en el espacio de pesos mediante pesos rápidos actualizados por descenso de gradiente.
- Permite imitación in-context de un solo paso a partir de demostraciones en video humano y mejora de la política sobre la marcha.
- Logra robustez ante perturbaciones y un rendimiento más fuerte en tareas multi-etapa y de horizonte largo.
- Mejora el rendimiento general en un 87% respecto a las líneas base de contexto de un solo paso en tareas de manipulación con robots reales.
- Completa íntegramente una tarea de ensamblaje de cinco minutos y diez etapas que ninguna línea base podía finalizar.
- Supera a los modelos preentrenados con 1.000 pasos de tiempo en un 62%, estableciendo la longitud del contexto como un nuevo eje de escalado.
Los autores consideran esto importante porque desbloquea nuevas capacidades para los modelos base robóticos y demuestra ganancias constantes en el rendimiento de bucle cerrado a medida que se escala la longitud del contexto de preentrenamiento.