शोधकर्ताओं ने टास्क-अग्नोस्टिक प्रीट्रेनिंग (TAP) का प्रस्ताव दिया, जो एक दो-चरणीय फ्रेमवर्क है जिसे Vision-Language-Action (VLA) मॉडल्स में विशेषज्ञ डेमोस्ट्रेशन की कमी को दूर करने के लिए डिज़ाइन किया गया है, जिसमें भौतिक क्षमता को अर्थव्यवस्था से अलग किया जाता है। विधि पहले स्व-नियंत्रित व्युत्क्रम गतिशीलता उद्देश्य के माध्यम से अनलेबल्ड इंटरैक्शन डेटा से ट्रांसफरेबल मोटर प्रायर्स सीखती है, फिर न्यूनतम विशेषज्ञ डेटा का उपयोग करके इन प्रायर्स को भाषा में ग्राउंड करती है।
- TAP 1M से अधिक विशेषज्ञ ट्रैजेक्टरीज़ पर प्रशिक्षित मॉडल्स के प्रदर्शन को बराबर करता है जबकि लेबल किए गए डेटा की मात्रा में कई गुना कमी करता है।
- SIMPLER बेंचमार्क पर मानक व्यवहार क्लोनिंग की तुलना में 10% निरंतर लाभ उत्पन्न करता है।
- वास्तविक दुनिया के WidowX प्लेटफॉर्म पर, TAP कैमरा विक्षोभ के तहत 25% सफलता बनाए रखता है जहाँ इंटरनेट-स्केल बेलाइन्स 0% तक गिर जाती हैं।
यह दर्शाता है कि टास्क-अग्नोस्टिक प्रीट्रेनिंग मजबूत, ट्रांसफरेबल भौतिक प्रतिनिधित्व उत्पन्न करती है और एम्बॉडिड AI के लिए एक स्केलेबल रास्ता प्रदान करती है।