中国の研究チームがarXivで新しいロボティクス特化AIモデルを公開し、多くのembodied AIベンチマークで主要なproprietaryシステムより優れると主張的同时に、重み、データセット、コードを一般公開しました。
論文「Embodied-R1.5: Embodied Foundation Modelsによる物理知能の進化」は6月9日にarXiv:2606.11324として公開されました。第一著者は天津大学Deep Reinforcement Learning Labの博士生であるYifu Yuan氏です。
著者たちはEmbodied-R1.5を、embodied認知、タスク計画、補正、指示を一つのアーキテクチャで組み合わせるための「統一されたEmbodied Foundation Model」として описаны。150億トークン以上のトレーニングシステム構築するため3つの自動データ構築パイプラインを使用し、長時間タスク中に単一モデルが実行と自己補正を行えるようにPlanner-Grounder-Corrector（PGC）クローズドループフレームワークを導入しました。
著者は「80億パラメータだけで、Embodied-R1.5は24個中16個のembodied VLMベンチマークでSOTAを達成し、Gemini-Robotics-ER-1.5やGPT-5.4などのリーダーモデルを超えた」と記述しています。
比較的少量のデータでビジョン-言語-アクションシステムに微調整できます。そのバージョンは4つの操作ベンチマークスイートでπ0.5を含む主要なVLAモデルを上回ると報告されています。
著者たちはモデルウェイト、データセット、トレーニングコード、embodiedタスク用の評価フレームワークであるEmbodiedEvalKitをオープンソース化しました。関連する成果物はHugging FaceのIffYuanアカウントから入手可能です。
