Alibaba DAMO تطلق RynnUnify: نموذج بـ16 مليار معامل يخطط عبر الفيديو ويقود الروبوت

نشر باحثو Alibaba DAMO Academy نموذج RynnUnify، وهو نموذج موحّد للذكاء الاصطناعي المجسَّد بحجم 16 مليار معامل. يجمع النموذج في معمارية واحدة بين فهم المشهد الفيزيائي، والربط المكاني للأجسام، وتوليد الفيديو، والتحكم بالروبوت. أبرز الأرقام: +9,75 نقطة مقارنةً بـCosmos 3 Nano في اختبار التخطيط البصري الطويل Rynn-VP، ونسبة نجاح 51,5% في 20 مهمة مركّبة من RoboCasa365، ومتوسط 46,7% في ثلاث مهام مع روبوت حقيقي.

«دماغ» واحد بدل حزمة من ثلاثة نماذج

عادةً تُبنى حزمة الروبوتات من أجزاء منفصلة. يصف أحد نماذج VLM المشهد، ويتنبأ نموذج عالم ثانٍ بما سيحدث لاحقًا، ثم تحوّل سياسة ثالثة كل ذلك إلى حركات. يحاول RynnUnify، المبني على Cosmos 3، إزالة الفواصل بين هذه المكوّنات. وتقوم معماريته الداخلية على Mixture-of-Transformers: وحدة Reasoner انحدارية ذاتية مسؤولة عن الاستدلال والفهم، ومولّد فيديو يعتمد rectified flow يرسم كيف سيتغيّر العالم بعد تنفيذ الفعل.

تُسمّى الفكرة المحورية interleaved visual planning. يتناوب النموذج بين استدلال نصي حول مهمة فرعية وتنبؤ فيديو قصير بنتيجتها، ثم يستخدم هذا التنبؤ للتخطيط للخطوة التالية. ولكي لا تتشوّه الصورة على المدى الطويل، أضاف المؤلفون ثلاث تقنيات: ذاكرة للمشهد بين مقاطع الفيديو، وتدريب self-forcing، ومدة تكيّفية للمقاطع (chunks).

وكيل يقرر متى يحتاج إلى «تخيّل» النتيجة

توليد الفيديو مكلف، ولا يتطلبه كل سؤال. لذلك دُرّبت فوق النموذج الأساسي طبقة وكيلية بالتعلم المعزز (طريقة BCPO). يقرر الوكيل بنفسه ما إذا كان سيجيب فورًا أو يولّد أولًا دليلًا بصريًا. وإذا اختار المسار الثاني، يصوغ طلب التوليد، ويحلل النتيجة المتنبَّأ بها، ويختار مسار الاستدلال الأنفع للمهمة. ويكتسب ذلك أهمية خاصة في الحالات غير المرصودة: ما الذي سيكون داخل الصندوق، أو كيف ستنتهي دفعة جسم ما.

وللتقييم أعدّ المؤلفون اختبارين جديدين: Rynn-VP للتخطيط البصري الطويل، وRynn-GEU للاستدلال الاستباقي. وفي Rynn-GEU حقق الوضع الوكيلي +6,0 نقطة في متوسط النتيجة مقارنةً بالإجابة المباشرة دون تنبؤات فيديو.

جسر من التنبؤ إلى الفعل

الجزء الثالث من المنظومة هو World-Action Model (WAM). يأخذ هذا الجزء نموذج RynnUnify كاملًا ويدرّبه بالتزامن على الفيديو والأفعال، فيحوّل التمثيلات التنبؤية للعالم إلى أوامر للروبوت. أُجريت التجارب في المحاكاة وعلى معدات حقيقية.

• حجم النموذج: 16 مليار معامل، والأساس Cosmos 3.
• المعمارية: Mixture-of-Transformers، مع Reasoner انحداري ذاتي ومولّد فيديو rectified-flow.
• Rynn-VP: الدرجة الإجمالية أعلى من Cosmos 3 Nano بمقدار 9,75 نقطة.
• فهم المشاهد المجسَّدة: أعلى متوسط درجات بين النماذج متعددة الوسائط الموحّدة التي جرى تقييمها.
• Rynn-GEU: الطبقة الوكيلية تضيف +6,0 نقطة إلى المتوسط مقارنةً بالاستدلال المباشر.
• RoboCasa365: نسبة نجاح 51,5% في 20 مهمة مركّبة مختارة.
• الروبوت الحقيقي: متوسط نجاح 46,7% في ثلاث مهام.
• الاختباران الجديدان: Rynn-VP وRynn-GEU.

ما الذي ينبغي أن يفعله الممارسون بهذا الإصدار

يهم هذا الإصدار قبل كل شيء الفرق التي تبني أذرعًا روبوتية وروبوتات متنقلة وسئمت من لصق VLM ونموذج العالم والسياسة يدويًا. الشيفرة وصفحة المشروع مفتوحتان، لذا يمكن التحقق من مدى تفوّق «دماغ» مشترك على المكوّنات المنفصلة في مهامكم. لكن الأرقام متواضعة: فنسبة 46,7% على روبوت حقيقي تعني أن أكثر من نصف المحاولات لا تبلغ هدفها. وتبقى القيمة المؤكدة هي المخطط نفسه، حيث يفهم هيكل أساسي واحد (backbone) ويتخيل ويتصرف. وهناك أمران يستحقان المتابعة: كلفة توليد الفيديو عند كل خطوة تخطيط، وهل تنتقل النتائج إلى مهام خارج RoboCasa365. وستجيب عن هذين السؤالين عمليات إعادة إنتاج مستقلة. حتى الآن حصلت الورقة على 16 صوتًا في Hugging Face Daily Papers، بينما بدأ المستودع للتو بجمع النجوم.