محققان بهتازگی معماری جدیدی به نام WorldDiT را معرفی کردهاند که دنیای رباتیک را متحول میکند. این مدل با ترکیب «مدلسازی دنیای بصری» و «تولید عملیات (Action)» در یک ساختار یکپارچه، بدون نیاز به مدلهای زبانی-تصویری (VLM) بسیار بزرگ و سنگین، عملکرد خیرهکنندهای را در کنترل رباتها ارائه میدهد.
نکته جذاب اینجاست که WorldDiT با داشتن پارامترهای کمتر از یک میلیارد، توانسته در آزمونهای شبیهسازی LIBERO عملکردی در حد برترین مدلهای موجود داشته باشد. این یعنی مسیر تازهای برای توسعه رباتهای هوشمندتر و بهینهتر باز شده است! 🚀
منبع: arXiv Machine Learning