Forschende stellen TinyAstral vor, eine Methode, um Verbesserungen an Werkzeugen, Feedback und Wiederherstellungslogik eines Roboteragenten in ein kleineres Modell zu übertragen. Auf RoboTwin erhöhte ein verbessertes Harness für das Lehrermodell die Erfolgsquote laut Team von 33.4% auf 63.6%; ein destilliertes 4B-Schülermodell erreichte 62.8%.
Nach Angaben der Forschenden benötigte das Schülermodell bei den gemessenen Deployment-Episoden rund ein Fünftel der Beschleunigerlaufzeit des Lehrermodells. Die Arbeit ist ein arXiv-Paper; das Abstract beschreibt keine unabhängige Validierung.
Warum es wichtig ist
Für Teams, die Roboteragenten betreiben, könnte die berichtete fünffache Verringerung der Beschleunigerlaufzeit den Rechenbedarf beim Einsatz senken. Das Abstract belegt jedoch weder eine unabhängige Validierung noch eine breitere Leistungsfähigkeit in der realen Welt.
