Manifold AI تتصدّر RoboDojo وتتفوق على GPT-6-Astra وGR00T-N1.7

احتلت Manifold AI المركز الأول في Agent Track ضمن اختبار RoboDojo الذي يقيّم تعلّم الروبوتات. وجاء خلفها كل من GPT-6-Astra وNVIDIA GR00T-N1.7، وهما من أبرز النماذج المرجعية للروبوتات متعددة الأغراض. وتحقق هذا الفوز بفضل نظام R²SI، الذي تطوّر عن عمل أنجزته الشركة قبل ثلاثة أشهر، حين أطلقت Manifold AI نموذج world action model مع التعلّم السياقي (In-Context Learning, ICL).

ما المعروف عن النتيجة

يذكر المصدر ثلاثة أمور. الأول أن Manifold تفوقت على منافسيها في مسار الوكلاء تحديدًا، لا في الجدول العام. والثاني أن بين النماذج التي تقدمت عليها نموذجًا لغويًا عامًا بمستوى GPT-6-Astra، ونموذجًا متخصصًا في الروبوتات هو GR00T-N1.7 من NVIDIA. والثالث أن الصدارة تحققت بعد ثلاثة أشهر من صدور النموذج السابق المزوّد بـ ICL.

لا أرقام في المقتطف المتاح: لا درجات، ولا الفارق عن صاحب المركز الثاني، ولا عدد المهام في الاختبار. كما لم يتضمن المقتطف توضيحًا لمعنى اسم R²SI. لذلك من المبكر تقدير حجم هذا الفوز. فالمركز الأول بفارق ضئيل والصدارة الواثقة في جميع السيناريوهات يظهران في الجدول بالشكل نفسه.

لماذا يهمّ ICL في الروبوتات

يتنبأ نموذج world action model بكيفية تغيّر العالم بعد فعل الروبوت، ثم يختار الفعل نفسه مباشرة. وإذا أُضيف إليه ICL، صار بإمكان النموذج التكيّف مع مهمة جديدة انطلاقًا من أمثلة قليلة في السياق، دون إعادة تدريب الأوزان. وهذا يوفّر على المختبر أسابيع من جمع البيانات والتدريب الإضافي. أما بالنسبة للعميل، فيقصر الطريق بين «نريد أن يفعل الروبوت هكذا» والنموذج الأولي العامل.

وتكتسب المقارنة مع GPT-6-Astra دلالة لسبب آخر. فالنماذج العامة الكبيرة تجيد التخطيط والاستدلال، لكن فيزياء التلامس وزمن التأخير وأخطاء التنفيذ ما زالت نقطة ضعفها. فإذا تفوّق نظام متخصص عليها في مسار الوكلاء، فهذه حجة لصالح النماذج المدرَّبة على بيانات الأفعال وديناميكيات العالم. وينتمي GR00T-N1.7 إلى هذه الفئة تحديدًا، ولذلك فإن التقدم عليه ليس سهلًا أيضًا.

ما الذي ثبت وما الذي لم يثبت

• الاختبار: RoboDojo، مسار Agent Track.
• النتيجة: المركز الأول في لوحة المتصدرين.
• المتفوَّق عليهما: GPT-6-Astra وNVIDIA GR00T-N1.7.
• النموذج السابق: world action model مع ICL، قُدّم قبل ثلاثة أشهر.
• النظام الجديد: R²SI.
• غير المعلن في المقتطف الأصلي: الدرجات النهائية، وحجم النموذج، وبيانات التدريب، وتوافر الأوزان وواجهة API.

ما الذي ينبغي أن تراقبه الفرق

ما دام التقرير التقني غير متاح، فمن المنطقي اعتبار النتيجة إشارة قوية، لا سببًا لتغيير البنية التقنية المعتمدة. وهناك أربعة أمور تستحق التحقق. الأول: هل تنشر Manifold AI بروتوكول التقييم، وهل يمكن لفرق مستقلة إعادة إنتاج الأرقام. الثاني: إلى أي حد ينتقل التفوق في Agent Track إلى مهامكم، أي المناولة والإمساك والتعامل مع الأجسام غير القياسية. الثالث: كم مثالًا في السياق يحتاج R²SI للتكيّف، وكيف يزداد زمن الاستدلال. الرابع: أي نوع من الوصول سيُتاح: أوزان مفتوحة، أم API سحابية، أم تجارب شريكة فقط.

أما من يبني روبوتات على GR00T أو على نماذج LLM العامة، فالخطوة المعقولة الآن هي تشغيل سيناريوهاتهم على RoboDojo عند صدور التفاصيل، ومقارنتها بخط المعالجة لديهم على بياناتهم الخاصة. وإذا كان ICL لدى Manifold AI يعمل كما أُعلن، فسيكمن المكسب في سرعة تطبيق المهام الجديدة، لا في سطر في الجدول فحسب.