TAP: Pré-treinamento Agnóstico à Tarefa para modelos Vision-Language-Action

Pesquisadores propõem o pré-treinamento agnóstico à tarefa (TAP), um framework de duas etapas projetado para abordar a escassez de demonstrações especializadas em modelos Vision-Language-Action (VLA) ao desacoplar a competência física do alinhamento semântico. O método primeiro aprende priores motores transferíveis a partir de dados de interação não rotulados por meio de um objetivo de dinâmica inversa auto-supervisionado, então ancora esses priores na linguagem usando dados especializados mínimos.

• TAP iguala o desempenho de modelos treinados em mais de 1M de trajetórias especializadas enquanto usa ordens de magnitude menos dados rotulados.
• A abordagem produz um ganho absoluto de 10% sobre a clonagem de comportamento padrão no benchmark SIMPLER.
• Em uma plataforma real WidowX, o TAP retém 25% de sucesso sob perturbações de câmera onde as bases em escala da internet colapsam para 0%.

Isso demonstra que o pré-treinamento agnóstico à tarefa produz representações físicas robustas e transferíveis, e oferece um caminho escalável para frente para a IA Encarnada.