XPeng представила открытую модель GroundingPI для физического ИИ
Исследователи при поддержке XPeng, Пекинского университета и Университета Гонконга выпустили открытую модель визуального восприятия GroundingPI с 4 млрд параметров, которая превзошла GPT-6 Astra в 34 бенчмарках.
Об изображении
official article image · source terms applyГлавное
Коротко о новостиGroundingPI — открытая модель визуального восприятия с примерно 4 млрд параметров, разработанная исследователями, аффилированными с XPeng, Пекинским университетом, Университетом Гонконга и другими.
В оценке по 34 бенчмаркам восприятия GroundingPI набрала 73,68 балла, а GPT-6 Astra — 71,54.
В симуляциях RoboCasa-GR1 системы с GroundingPI достигали более высокого успеха при 50% демонстрационных данных, чем сравниваемые модели при 75%.
Компания XPeng сообщила о поддержке разработки открытой модели визуального восприятия GroundingPI, созданной исследователями, аффилированными с XPeng, Пекинским университетом, Университетом Гонконга и другими академическими институтами. Модель с примерно 4 млрд параметров нацелена на точное распознавание объектов и их пространственного положения в физическом мире.
В оценке исследовательской команды GroundingPI сравнивалась с 44 базовыми моделями по 34 публичным бенчмаркам, охватывающим 11 категорий способностей. Средний агрегированный балл составил 73,68, тогда как у GPT-6 Astra — 71,54. Авторы подчёркивают, что сравнение относится только к указанным бенчмаркам восприятия и не является общей оценкой интеллекта или способности к рассуждению.
Модель обучалась на 11 категориях перцептивных задач, включая детекцию объектов, плотную локализацию, распознавание ссылающихся выражений, оптическое распознавание символов, понимание макета документов, распознавание элементов пользовательского интерфейса и роботизированную пространственную локализацию. Такой подход позволяет системе определять не только объект, но и его точное положение, например, ручку чашки справа.
В симуляционных экспериментах RoboCasa-GR1 роботизированные системы, использующие GroundingPI в качестве визуальной основы, достигали более высокого процента успешных задач при использовании 50% доступных демонстрационных данных, чем сравниваемые модели, обученные на 75%. В оценках RoboTwin 2.0 модель показала лучшую адаптируемость к незнакомым условиям в четырёх сценариях вне распределения. При интеграции в задачи восприятия для автономного вождения на датасете nuScenes средняя ошибка предсказания траектории в открытом цикле составила 0,296 метра.
Исследователи отмечают, что результаты являются предварительными и основаны на симуляциях и офлайн-оценках, поэтому не подтверждают готовность к коммерческому развёртыванию. Проект представляет собой академический вклад, поддержанный XPeng и партнёрами, и не является заявлением об интеграции в коммерческие продукты компании.
Статья, веса модели и код опубликованы в открытом доступе для исследовательского сообщества. Это позволяет другим командам изучать подходы, ориентированные на восприятие, для физического ИИ.
Источники и редакция
Материал подготовлен редакцией Heartcar на основе официальных первоисточников.
XPENG Pressroom ↗При подготовке черновика использовались инструменты ИИ.
