中国Orca世界模型无需动作标签即可匹敌专业机器人系统
北京智源人工智能研究院发布Orca世界基础模型,通过无动作标签训练,在五个机器人任务上达到专业系统水平,有望解决机器人数据长期短缺问题。
原贴
查看原文原文
中文翻译
北京智源人工智能研究院(BAAI)发布了Orca,一个“世界基础模型”,它打破了当今AI的主流方法。Orca不是预测下一个令牌、下一帧视频或下一个机器人动作,而是在一个抽象的内部表示中对世界的下一个状态进行建模。
根据技术报告,智能不应被语言模型、视频生成器或机器人控制器等专门的预测模型所定义。该团队认为,需要的是能够建立对世界变化的一般理解,并将其作为许多不同任务基础的模型。
Orca结合了两种学习模式。“无意识学习”使用没有任何字幕的原始视频。模型看到一张图像,并预测下一张图像会是什么样子,不是像素级别,而是在一个抽象空间中,从而学习运动模式、遮挡和典型的场景动态。“有意识学习”则添加了语言指令。视频被分割成片段,每个片段都标有状态变化的描述,这样模型就能学习特定动作发生时状态如何转变。它还训练经典的视频问答任务,以便仍能响应自然语言查询。
预训练的语言-图像模型Qwen3.5作为基础,训练后核心保持冻结。对于每种输出类型,研究人员附加一个单独的、更小的模块,将内部状态转换为所需形式。文本通过Qwen3.5现有的语言头输出。对于图像,Stable Diffusion 3.5也保持不变,只训练小型上游适配器将Orca的内部状态传递给图像生成器。机器人动作来自一个从头训练的“Action Expert”控制模块。这种分离是有意为之,因为团队表示他们并非在单一基准上追求最高分,而是想展示一个训练良好的内部世界状态可以作为不同任务的共享基础。
在训练中,研究人员汇集了12.5万小时的视频素材、1.6亿个事件描述和1150万个问答对。视频涵盖四个视角,包括日常交互的第一人称镜头、物体操作的第三人称镜头、无动作数据的机器人记录以及自然场景。只有十分之一的视频数据用于当前版本。Orca训练了两种规模,参数分别为0.8亿和40亿。训练损失随着更多数据和更大模型稳步下降,早期测试也表明预训练中内部世界状态越好,所有三种输出模式的结果也越好。
在文本基准上,Orca-4B在MVBench、TemporalBench、3DSRBench和SWITCH上的平均最佳成绩为51.8%,超过了所比较的小型VLM和更大的世界模型。虽然它没有赢得每一个单项测试(例如Qwen3.5-4B在MVBench上领先),但平均得分优于Qwen3.5-4B、Gemma 4-4B和DeepSeek-VL2-3B等多个VLM基线。Orca-4B在平均得分上也超过了更大的世界模型Emu3(8B)和Emu3.5(34B)。
对于图像预测,研究人员建立了自己的基准PRICE-V0.1,使用真实世界机器人和第一人称场景,要求模型生成如“关闭微波炉”等命令的结果图像。Orca-4B平均得分59.8%,超过了专门的图像生成器如FLUX.2 small(56.1%)、FLUX.1-context(40.9%)和OmniGen2(39.6%)。Orca在保持机器人形状、物体接触点和指令链接方面优于纯图像模型,后者常常添加无关物体或幻觉的手部。
在五个操控任务中,使用...
核心信息
北京智源人工智能研究院发布Orca世界基础模型,通过无动作标签训练,在五个机器人任务上达到专业系统水平,有望解决机器人数据长期短缺问题。
- 北京智源人工智能研究院发布Orca世界基础模型,通过无动作标签训练,在五个机器人任务上达到专业系统水平,有望解决机器人数据长期短缺问题。
- 原贴提到:BAAI's Orca world model matches the performance of specialized systems a
- 来源:the-decoder.com
详细解读
这是什么信号?
Orca的发布标志着AI从特定任务模型向通用世界模型的转变。它不依赖动作标签,而是通过无监督视频学习世界动态,挑战了当前主流范式(如语言模型或视频生成器)。这表明无动作标签的通用表示可匹敌甚至超越专业系统,为机器人领域开辟新路径。
为什么重要?
机器人数据稀缺是行业痛点,Orca通过利用大量未标注视频缓解该问题。其架构分离核心状态与输出模块,支持文本、图像和动作多种输出,降低了对标注数据的依赖。这有望加速机器人系统的开发,降低门槛,并推动通用AI研究。
对谁有价值?
- 机器人研究者:获得低成本训练方法,可复用现有视频数据。
- AI公司:探索通用世界模型商业应用,如自动化、仿真。
- 投资机构:关注BAAI及类似前沿技术,布局赛道。
可以怎么行动?
- 研究者:复现或扩展Orca方法,尝试更大规模数据或不同领域。
- 企业:评估Orca控制模块,集成到现有机器人系统中进行场景测试。
- 开发者:利用Orca的开源预训练模型(如有)进行微调,应用于具体任务。
风险或限制
- 基准测试有限:目前仅五个操控任务,泛化性待验证。
- 计算成本:训练需要大量视频数据(12.5万小时),但仅使用十分之一,完整训练资源需求高。
- 未提及实时性能:实际部署中推理速度可能受限。
- 依赖Qwen3.5和Stable Diffusion,可能引入这些模型的偏见。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《中国Orca世界模型无需动作标签即可匹敌专业机器人系统》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
中国Orca世界模型无需动作标签即可匹敌专业机器人系统主要讲什么?
北京智源人工智能研究院发布Orca世界基础模型,通过无动作标签训练,在五个机器人任务上达到专业系统水平,有望解决机器人数据长期短缺问题。
这篇文章最值得关注的要点是什么?
北京智源人工智能研究院发布Orca世界基础模型,通过无动作标签训练,在五个机器人任务上达到专业系统水平,有望解决机器人数据长期短缺问题。;原贴提到:BAAI's Orca world model matches the performance of specialized systems a;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在AI副业、AI工具、AI超级个体专题里阅读。 关联原因:这篇内容命中「项目、小生意、变现」等主题信号。;这篇内容命中「模型」等主题信号。;这篇内容命中「学习」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解AI工具、工具、自动化、模型、Cursor这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。