Forschende haben SACQ vorgestellt, eine Methode zur Komprimierung der Gewichte von Vision-Language-Action-Modellen, die Roboter steuern. Dabei wird die Genauigkeit teilweise danach festgelegt, wie stark die Komprimierung einzelner Schichten die endgültige Aktion des Modells beeinflusst.
In Tests mit GR00T N1.7 erzielte das Team eigenen Angaben zufolge über vier LIBERO-Suites hinweg eine durchschnittliche Erfolgsquote von 93.85% bei 1,5 Bit pro Sprach-/Aktionsgewicht. Gleichzeitig sank der benötigte Modellspeicher um den Faktor 4.83. Dabei handelt es sich um Ergebnisse aus dem arXiv-Paper; das vorliegende Abstract belegt weder eine unabhängige Überprüfung noch nennt es die verwendete Hardware.
Warum es wichtig ist
Für Teams, die Robotikmodelle auf Plattformen mit begrenztem Speicher ausführen möchten, könnte die berichtete Komprimierung den Einsatz erleichtern. Das Abstract nennt jedoch keine Hardware, auf der SACQ ausgeführt werden kann, und bestätigt die Ergebnisse nicht durch eine unabhängige Überprüfung.
