2026. augusztus 5., szerda · Modellek

NVIDIA: a World Action Modellek felváltják a robotikai VLA-kat

Az NVIDIA technikai blogja szerint a robotpolitikák új generációja, az úgynevezett World Action Model (WAM) videó-alapú világmodellekre épül, nem a megszokott nyelv-látás (VLM) alapú vision-language-action (VLA) rendszerekre. A cég állítása szerint a WAM-ok jobban általánosítanak új feladatokra, robotokra és környezetekre, mert a tanult fizikai dinamikát használják, nem csak szemantikus leképezést. Az NVIDIA saját, nyílt Cosmos 3 modelljét mutatja be alapként, amely Mixture-of-Transformers architektúrára épül, és nagyjából 767 millió képet, 348 millió valós dinamikát rögzítő videót és 8 millió akciómintát tartalmazó adathalmazon tanult. A vállalat szerint a Cosmos 3 munkaállomásos és Jetson-alapú, valós idejű futtatást is lehetővé tesz, kevesebb feladatspecifikus adattal érve el jobb teljesítményt. Az állítások az NVIDIA saját blogbejegyzéséből származnak, független megerősítés nélkül.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

Ha a videó-alapú világmodellek valóban jobban általánosítanak, az alapjaiban változtathatja meg a robotpolitikák felépítését a mostani nyelv-látás alapú megközelítésekhez képest.

Források

NVIDIA Technical Blog Hivatalos

Említve a tudásbázisban

szereplő Nvidia

Kapcsolódó témák

Napi összefoglalók AI kutatás #NVIDIA Cosmos 3#robotika

Napi összefoglaló

Ez a hír a 2026. augusztus 5., szerda napi AI összefoglaló része.

Helyesbítés · 2026. október 1., csütörtök

Helyesbítés (2026-10-01): az összefoglaló „több száz millió kép-, videó- és akciómintát” írt; a forrás szerint az akcióminták száma 8 millió, két nagyságrenddel kevesebb.

Kapcsolódó hírek

A Google egyetlen AI-modellel irányítaná a robotokat: a Gemini 4 Argon

A Google bemutatta a Gemini 4 Argon nevű modellt, amely a cég állítása szerint egyetlen rendszerben fogja össze a robotikai folyamat egészét: irányítja a robotokat, fényképekből vagy vázlatokból virtuális gyakorlóterepeket épít, és kiértékeli a betanító adatokat. A Google demonstrációja szerint egy Boston Dynamics Spot robotnak szódásdobozokat kellett egy pedálos kukába dobnia: a modell előbb szimulációban gyakoroltatta a hárompontos egyensúlyozást, majd két külön AI-ügynök ellenőrizte a láb és a fogó pozícióját, mielőtt a valódi gépen megtörtént a próba. Egy másik bemutatóban egyetlen fotóból 77 feladatot és több mint 4500 betanító epizódot generált egy asztali jelenetből, ami a vállalat szerint 56-ról 75 százalékra növelte a sikerességi arányt, a végrehajtási időt pedig 35-ről 24 másodpercre csökkentette. A modell egyelőre csak a Google fizetős fejlesztői programjain keresztül érhető el, és a bemutatott példák még részletes emberi útmutatást igényelnek.

Black Forest Labs kiadta a FLUX 3 Action nyílt robotikai AI-modellt

A Black Forest Labs bemutatta a FLUX 3 Action nevű nyílt AI-modellt, amely a korábbi, videó-, kép- és hangadatokon tanított multimodális FLUX 3 modellre épül. A rendszer robotmunkaterek több kameraforrásból érkező videóit dolgozza fel, és ezekből jósolja meg, milyen következő lépést tegyen a robot, valamint hogyan változik meg ettől a környezet. A vállalat állítása szerint a modell mindössze hét milliárd paraméterrel új csúcsot ért el a RoboLab-120 ranglistán, miközben a korábbi legjobb nyílt modellnél kevesebb mint feleakkora méretű, és akár 3,95-szer gyorsabban fut. A Black Forest Labs szerint a nagy méretű, gondolkodó modellek jól terveznek, de robotikai alkalmazásra túl lassúak és túl nagyok, ezért fontos a hatékonyság az eszközön futtatott (on-device) telepítéshez. A modellsúlyok elérhetők a Hugging Face platformon.

A Mistral bemutatta a Le Chonk nyílt modellt, de a tesztek szerint még lemarad Kína mögött

A párizsi Mistral nyilvánosan elérhetővé tette a Large 4, becenevén „Le Chonk” súlyozott modelljét a Hugging Face-en, módosított MIT licenc alatt. A billió paraméteres modellből 52 milliárd aktív egyszerre; a cég szerint kódolásban és kiberbiztonsági feladatokban megközelíti vagy felülmúlja a vezető kínai nyílt modelleket, például a DeepSeeket és a Z.ait, amit Pierre Stock, a Mistral tudományos alelnöke „a globális AI-vezető szerep fordulópontjának” nevezett. A The Decoder független elemzése szerint azonban a modell az Artificial Analysis Intelligence Indexén mindössze 26 pontot ér el, lemaradva a DeepSeek V4.1 Flash és a GLM-5.3 mögött, a kiberbiztonsági rangsorban pedig csak harmadik a nyílt modellek között. A Mistral modellje gyorsabb és olcsóbb riválisainál, és a károkozásra irányuló kéréseket 96,6 százalékban utasítja el.

A Google bemutatta a Gemini 4 Carbon modellt

A Google DeepMind mindössze két héttel a Gemini 4 Argon után bemutatta új frontier modelljét, a Gemini 4 Carbont, amely a vállalat szerint jelentős előrelépést hoz a kódolásban, az ügynöki feladatokban és a kiberbiztonságban. A Google közlése szerint a modell vezeti az Artificial Analysis Intelligence Index v5.0 rangsorát 59 ponttal, megelőzve a Claude Opus 5.5-öt és a GPT-6 Astrát. A cég szerint Carbon a SEC-bench Pro és az ExploitGym kiberbiztonsági benchmarkokon is élen jár, és a Gray Swan prompt-injekciós teszten minden támadást kivédett. A modell egyelőre csak kiválasztott kiberbiztonsági védelmi partnerek számára érhető el a Fairwind programon keresztül, a szélesebb elérhetőségről a Google nem adott időpontot. Az árazás megegyezik az Argonéval: 2 dollár millió bemeneti és 10 dollár millió kimeneti tokenenként.