MambaAct يسرّع روبوت π0.5: خبير أصغر بعشر مرات وزمن التأخير أقل بنسبة 64.8%

عرض فريق من الباحثين MambaAct، وهو خبير أفعال (action expert) مدمج مبني على معمارية Mamba لنموذج VLA المسمى π0.5. حجمه أصغر بعشر مرات من الخبير الأصلي القائم على المحوّلات، ويقلّص زمن تأخير إزالة الضوضاء في flow-matching بنسبة 64.8% في محاكي LIBERO وبنسبة 58.8% في النشر الواقعي. ولم تتراجع الجودة، بل تحسنت: ارتفع متوسط معدل النجاح في LIBERO بمقدار 1.08 نقطة مئوية عبر ثلاث بذور (seeds) مستقلة للضبط الدقيق. وقد نُشرت الشيفرة والأوزان في المصدر المفتوح.

لماذا أصبح خبير الأفعال تحديدًا عنق الزجاجة

تأخذ نماذج VLA (الرؤية واللغة والفعل) صورة من الكاميرات وتعليمة نصية، ثم تنتج تسلسلًا من الأفعال للذراع الروبوتية. في π0.5 يتولى ذلك جزآن. مُرمِّز بادئة كبير للرؤية واللغة يفهم المشهد والأمر. أما خبير الأفعال المنفصل فيولّد أفعالًا مستمرة بطريقة flow matching: يبدأ من الضوضاء، ثم «ينقّيها» عبر عدة تكرارات حتى تصير مسارًا.

تكمن المشكلة في كلمة «تكرارات». يمكن تشغيل المُرمِّز مرة واحدة، لكن الخبير يُستدعى في كل خطوة من خطوات إزالة الضوضاء، وداخله يجري المحوّل cross-attention على رموز البادئة مرارًا وتكرارًا. وبالنسبة إلى روبوت يحتاج إلى الاستجابة للعالم في الزمن الفعلي، تتحول هذه التكرارات إلى خسارة مباشرة في السرعة. ومن هنا يبحث مؤلفو MambaAct عن المكسب.

Mamba بدل المحوّل وسياق مضغوط بدل cross-attention

هناك تغييران معماريان. الأول: استُبدل خبير المحوّلات بخبير مدمج تعمل فيه Mamba بوصفها action mixer. وهي تنمذج الاعتماديات داخل التسلسل المشوَّش من الأفعال المستمرة. أما مُرمِّز البادئة المدرَّب مسبقًا في π0.5 فيبقى دون مساس، ولذلك لا تضيع المعرفة البصرية واللغوية.

الثاني: بعد الاستغناء عن cross-attention لا بد من وسيلة لإبلاغ الخبير بما يراه الروبوت وبما يُطلب منه. لهذا أُضيف Context Compressor خفيف. فهو يحوّل رموز بادئة VLM إلى إشارة تكييف مدمجة تتحكم عبر بوابات في كل كتلة من كتل Mamba وتعدّل عملها. وبدل الرجوع إلى الرموز واحدًا واحدًا في كل خطوة، يتلقى الخبير تمثيلًا مضغوطًا جاهزًا للسياق.

أبرز معطيات العمل:

• الأساس: π0.5 مع خبير أفعال يعتمد flow-matching؛
• حجم خبير الأفعال: أصغر بعشر مرات؛
• خفض زمن تأخير إزالة الضوضاء: 64.8% في LIBERO، و58.8% في النشر الواقعي؛
• زيادة متوسط النجاح في LIBERO: +1.08 نقطة مئوية عبر ثلاث بذور للضبط الدقيق؛
• الاختبار على LIBERO-Plus وفي مهام واقعية: الأفضلية باقية؛
• الترخيص والإتاحة: الشيفرة والأوزان منشورة على GitHub.

أيّ الرقمين أهم: السرعة أم الجودة

التسارع بنسبة 58.8% على روبوت حقيقي أكثر إقناعًا من نسبة 64.8% في المحاكاة. فالمقاييس المعيارية تتساهل كثيرًا، أما المنظومة الفيزيائية بما فيها من كاميرات ومحرّكات وتأخيرات فتُظهر ما إذا كان المكسب يصل فعلًا إلى العتاد. الفارق بين الرقمين صغير، وهذه إشارة جيدة: لم يتبدد التوفير في البنية التحتية الواقعية.

زيادة النجاح بمقدار 1.08 نقطة مئوية متواضعة، لكن قيمتها في موضع آخر. فضغط الخبير عشر مرات يُدفع عادةً ثمنُه من الجودة، أما هنا فقد ارتفع المقياس. وتأكيد النتيجة بثلاث بذور مستقلة يقلل احتمال أن تكون قفزة عارضة. كما أن بقاء الأفضلية في LIBERO-Plus، حيث الظروف أصعب، يضيف حجة لصالح متانة النهج.

أين يفيد ذلك عمليًا

بالنسبة إلى الفرق التي تعمل أصلًا مع π0.5 أو مع نماذج VLA القريبة منه القائمة على flow-matching، يبدو MambaAct نقطة جاهزة للتجربة. لا حاجة إلى تغيير مُرمِّز البادئة: فالاستبدال يمسّ خبير الأفعال وحده، والأوزان والشيفرة مفتوحة، فيمكن مقارنة النتيجة على المهام الخاصة بكل فريق.

وسيستفيد أكثر من يعانون نقص تردد التحكم: المناورات المتنقلة، والمنصات ذات الحاسوب المحمول على متنها الضعيف، والأنظمة التي يتقاسم فيها GPU واحد الموارد بين الإدراك والتخطيط. فالخبير الأصغر يحرّر الذاكرة، وتقليل زمن تأخير إزالة الضوضاء يمنح هامش وقت أكبر لدورة التحكم.

ويلزم الحذر أيضًا. فقد جاءت النتائج من LIBERO وLIBERO-Plus ومن سيناريوهات واقعية محددة، أما نقلها إلى مورفولوجيات روبوتية أخرى وإلى مهام أطول فسيحتاج إلى فحص منفصل. لكن الاتجاه واضح: في VLA للروبوتات لا ينبغي تحسين الجزء اللغوي الضخم وحده، بل أيضًا الكتلة الصغيرة التي تُستدعى مرارًا لتوليد الأفعال.