Isaac 0.5 kutter behovet for teleoperasjonsdata rundt 210 ganger

Robotdemonstrasjoner er dyre fordi hver time krever maskinvare, operatører og et kontrollert oppsett. Vanlig video koster nesten ingenting i sammenligning. Perceptron AI har brukt det skillet som utgangspunkt for Isaac 0.5, en åpen embodied grunnmodell på 36 milliarder parametere som kombinerer videoforståelse, resonnering og robotstyring i samme sjekkpunkt.

I kontrollerte treningseksperimenter skalerte selskapet generell video fra 1 000 timer til én million timer. Teleoperasjonen som skulle til for å nå samme velkalibrerte action loss falt fra rundt 5 900 timer til 28. Perceptron beskriver dette som en ny skaleringslov for data bak robotmodeller, og den er det egentlige funnet i lanseringen.

«Selskaper trenger en modell som yter på fronten, lærer en ny oppgave raskt og tilpasser seg maskinvaren deres. Isaac gir dem et sterkt, åpent utgangspunkt» — Armen Aghajanyan, medgrunnlegger og daglig leder i Perceptron AI

Modellen er trent på tre billioner multimodale tokens, én million timer generell video og 100 000 timer robotorientert erfaring fra over 35 robotsystemer. På LIBERO, standardtesten for robotmanipulasjon, snitter Isaac 97,2 prosent suksess på tvers av rom-, objekt-, mål- og langhorisontoppgaver. Samme sammenligningstabell oppgir 97,0 prosent for NVIDIAs GR00T N1.7 og 96,9 prosent for Physical Intelligence sin π0.5.

Marginene på LIBERO er små nok til å være støy. Tallet som skiller er tilpasningsevnen: etter én treningsrunde på en enkelt ekspertdemonstrasjon reduserte Isaac feilen 7,0 til 10,5 ganger på tre usette oppgaver, mens π0.5, den sterkeste konkurrenten blant åpne modeller, forbedret seg 2,3 til 3,1 ganger.

Vekter ligger på Hugging Face under PerceptronAI/Isaac-0.5, og kode for finjustering og inferens ligger på GitHub. Samme sjekkpunkt kan brukes både som policy som styrer roboten direkte og som synskomponent inne i et eksisterende planleggings- og styringssystem. Perceptron jobber parallelt med kunder innen produksjon, logistikk, lager, sikkerhet og mobilitet på å tilpasse modellen til deres kameraer og maskinvare.

Hva bør du gjøre?

1. Les skaleringsloven før du budsjetterer datainnsamling. Er 210 ganger i nærheten av å holde utenfor Perceptrons eget oppsett, endrer det hvor neste krone med treningsdata bør gå.
2. Test ettskudds-tilpasningen på en oppgave du har én demonstrasjon av. Det er der Isaac skiller seg fra de andre åpne modellene, ikke på LIBERO-snittet.
3. Hent vektene fra Hugging Face hvis du vil bruke modellen som ren synskomponent. Peking, sporing og fremdriftsvurdering ligger i samme sjekkpunkt som styringen.