9.64x ускорение: как FluxVLA Engine превращает роботов в «стандартную продукцию»
9.64x ускорение: как FluxVLA Engine превращает роботов в «стандартную продукцию» 💡 Инфраструктура для embodied AI наконец-то догоняет взрывной рост возможностей моделей. Компания LimX Dynamics обновила технический отчет своей открытой платформы FluxVLA Engine до версии V2. Ключевое нововведение — интеграция онлайн-усиленного обучения (Online RL) и расширение покрытия симуляционных тестов и реального аппаратного обеспечения. В симуляции 14 различных стратегий были протестированы в едином цикле LIBERO, а также на платформах RoboCasa GR-1, RoboTwin и RoboDojo. На стороне вывода оптимизированные модели показали увеличение частоты инференса в 2.31–9.64 раза. Платформа успешно верифицировала полный цикл от чекпоинта модели до закрытого контура на реальных устройствах, включая ALOHA, Rebot, двуручные Franka и антропоморфного робота LimX Oli. ⚡ Основной фокус V2 — преодоление ограничений имитационного обучения. На примере модели SmolVLA эксперименты показали, что после этапа онлайн-усиленного обучения средняя успешность задач в LIBERO-10 выросла на 10.0 процентных пункта (с 66.2% до 76.2%), а в RoboTwin Clean — на 15.4 процентных пункта (с 45.9% до 61.3%). Интеграция фреймворка RLinf позволяет стратегиям потокового соответствия (flow matching) сразу входить в цикл интерактивного обучения без сложной перенастройки. Это доказывает, что даже компактные модели способны извлекать значительный потенциал из замкнутого контура проб и ошибок, превращая «заученные» навыки в адаптивные. 🤔 Платформа решает проблему «кустарного» производства, где каждый новый эксперимент требует пересборки всей инфраструктуры. FluxVLA Engine работает как стандартизированная конвейерная линия, основанная на четырех принципах: единая конфигурация, модульная декомпозиция, оптимизация под деплой и воспроизводимость экспериментов. Платформа уже поддерживает Qwen-VL, GR00T, серию π и DreamZero. В тесте с 14 стратегиями, включая вызовы API GPT-6 Astra и MiniMax-M3.1-Flash, 11 из 13 локальных чекпоинтов показали успешность выше 95% в LIBERO (например, DiT4DiT достиг 98.65%, π0.5 — 97.95%). Это позволяет командам быстро адаптировать новые архитектуры, не тратя недели на настройку окружения. 📌 Что это значит на практике: FluxVLA Engine устраняет разрыв между симуляцией и реальным миром, обеспечивая стабильность действий через механизм RTC (Real-Time Chunking) и постобработку траекторий. Это снижает риск «дрожания» робота и позволяет безопасно масштабировать передовые алгоритмы на физическое оборудование. 🚀 Для реального деплоя платформа предлагает «универсальный интерфейс», разделяющий логику управления (Runner) и аппаратное взаимодействие (Operator). Это упрощает миграцию между разными роботами. На ALOHA модель π0.5 достигла 72.22% успешности, на двуручных Franka GR00T N1.7 — 88.00%. Важнейшим аспектом является замкнутый цикл «человек в контуре»: система автоматически собирает данные о корректировках оператора. В задаче складывания полотенца на ALOHA использование ARM (Advantage-Weighted Regression) повысило успешность с 62.1% до 99.4%, а пропускную способность — с 18 до 32 циклов в час. CEO LimX Dynamics Чжан Вэй позиционирует FluxVLA как «конвейер для моделей», позволяя разработчикам сосредоточиться на инновациях, а не на рутинной инфраструктуре. Перевод и адаптация: AI Lab. Источник: QbitAI (量子位), https://www.qbitai.com/2026/10/506098.html #EmbodiedAI #Robotics #FluxVLA #LimXDynamics #OnlineRL #TechNews