GPT-6 Astra przełomem w rozumowaniu przestrzennym robotów

OpenAI od lat sygnalizuje zainteresowanie robotyką konsumencką, ale dopiero teraz pojawiają się twarde dane pokazujące, jak daleko firma zaszła w tej dziedzinie. Najnowsze wyniki benchmarku StationeryBench sugerują, że GPT-6 Astra osiąga poziom rozumienia przestrzennego, który wyraźnie odróżnia go od konkurencyjnych modeli.

Testy przeprowadzono na dwuręcznych robotach YAM, a oba modele – GPT-6 Astra od OpenAI oraz MolmoAct2 od Ai2 – mierzyły się z tymi samymi zadaniami. Wyniki są jednoznaczne: Astra ukończył 7 na 100 prób, MolmoAct2 nie ukończył ani jednej.

Jak wyglądał test StationeryBench

StationeryBench to nowy benchmark robotyczny, który sprawdza modele w pięciu zadaniach związanych z przedmiotami biurowymi. Wśród nich znalazły się takie czynności jak odkręcenie zakrętki markera, wysypanie spinaczy czy przekazanie linijki między dwoma ramionami robota.

Każdy z modeli sterował identycznym zestawem dwuręcznych robotów YAM. Łącznie przeprowadzono 200 prób, co daje solidną podstawę do porównań. Wszystkie nagrania, kod oraz wyniki udostępniono publicznie na GitHubie, co pozwala badaczom na niezależną weryfikację.

Wyniki liczbowe

Mediana wyniku postępu dla GPT-6 Astra wyniosła 46 punktów na 100 możliwych. MolmoAct2 osiągnął w tym samym zestawieniu zaledwie 12 punktów. Różnica jest więc ponadtrzykrotna, co w kontekście benchmarków robotycznych stanowi bardzo wyraźny dystans.

Co istotne, Astra nie tylko częściej kończył zadania, ale też znacznie lepiej radził sobie z częściowym postępem. To sugeruje, że model lepiej rozumie sekwencje ruchów potrzebnych do wykonania złożonej czynności, nawet jeśli nie doprowadza jej do końca.

Co mówią badacze o możliwościach Astry

Yoav Artzi, badacz AI związany z Cornell University oraz Google DeepMind, określa GPT-6 Astra jako „skokową zmianę w rozumowaniu przestrzennym”. Jego zdaniem to nie jest zwykła poprawa wydajności, lecz jakościowo nowy poziom możliwości.

Nawet ASTRA nie osiąga tego, co ludzie robią w innych scenariuszach.

Artzi zaznacza jednak, że wyniki na niepublikowanym jeszcze benchmarku REMAP plasują GPT-Astra blisko ludzkiego poziomu dokładności. Zastrzega przy tym, że model wciąż pozostaje daleko od pełnej ludzkiej wszechstronności w zadaniach przestrzennych.

Skąd tak duży skok?

Badacz podejrzewa, że OpenAI trenowało model na dużych zbiorach danych 3D, takich jak sceny generowane w Blenderze. To wyjaśniałoby szczególnie wyraźną poprawę Astry właśnie w zadaniach trójwymiarowych, gdzie sama analiza obrazu 2D nie wystarcza.

Jeśli hipoteza Artziego jest trafna, oznacza to, że kluczem do lepszego rozumowania przestrzennego nie jest wyłącznie skalowanie modelu, ale odpowiedni dobór danych treningowych. To ważny sygnał dla innych zespołów pracujących nad robotyką opartą na modelach językowych.

Znaczenie dla planów robotycznych OpenAI

OpenAI od dawna deklaruje długoterminowe ambicje związane z budową własnych robotów konsumenckich. Wyniki StationeryBench można odczytywać jako kolejny krok w tym kierunku – model, który potrafi precyzyjnie manipulować przedmiotami, jest fundamentem każdego praktycznego robota domowego.

Nie oznacza to jednak, że konsumenckie roboty OpenAI pojawią się na rynku w najbliższym czasie. 7 ukończonych zadań na 100 prób to wciąż wynik daleki od niezawodności wymaganej w produktach masowych. Niemniej kierunek rozwoju jest czytelny, a przewaga nad konkurencją wyraźna.

StationeryBench pokazuje też, że benchmarki robotyczne zaczynają odgrywać rolę podobną do tych znanych z NLP – pozwalają obiektywnie porównywać modele i śledzić postęp w czasie. Publiczne udostępnienie kodu i nagrań przez autorów testu to krok, który może przyspieszyć całą dziedzinę.

Na razie pozostaje pytanie, czy przewaga GPT-6 Astra utrzyma się, gdy konkurenci zaczną trenować swoje modele na podobnych zbiorach danych 3D. Historia rozwoju AI pokazuje, że żadna przewaga nie trwa wiecznie – ale w momencie publikacji tych wyników OpenAI wyraźnie wyznacza tempo w rozumowaniu przestrzennym.

Źródło

Może Cię zainteresować