Исследователи предлагают задачу-агностичное предобучение (TAP), двухэтапный фреймворк, предназначенный для решения проблемы нехватки экспертных демонстраций в моделях Vision-Language-Action (VLA) путем разделения физической компетентности от семантического выравнивания. Метод сначала учит переносимые моторные приоры из неразмеченных данных взаимодействия через самонадзорную цель обратной динамики, затем привязывает эти приоры к языку с использованием минимального объема экспертных данных.

  • TAP достигает производительности моделей, обученных на более чем 1M экспертных траекториях, при этом используя на порядки меньше размеченных данных.
  • Подход дает абсолютный прирост в 10% по сравнению со стандартным поведенческим клонированием на бенчмарке SIMPLER.
  • На реальной платформе WidowX TAP сохраняет 25% успеха при возмущениях камеры, где базовые решения масштаба интернета падают до 0%.

Это демонстрирует, что задача-агностичное предобучение создает устойчивые, переносимые физические представления и предлагает масштабируемый путь вперед для воплощенного ИИ.