پژوهشگران SACQ را معرفی کرده‌اند؛ روشی برای فشرده‌سازی وزن‌های مدل‌های بینایی-زبان-کنش که برای کنترل ربات‌ها به کار می‌روند. این روش دقت را تا حدی بر اساس تأثیر فشرده‌سازی هر لایه بر کنش نهایی مدل تعیین می‌کند.
پژوهشگران می‌گویند GR00T N1.7 در آزمایش‌ها، با استفاده از 1.5 بیت برای هر وزن زبان/کنش، در چهار مجموعه‌آزمون LIBERO به‌طور میانگین به نرخ موفقیت 93.85% رسیده و حافظه مدل را 4.83 برابر کاهش داده است. این نتایج در مقاله arXiv گزارش شده‌اند؛ چکیده ارائه‌شده تأیید مستقل آن‌ها را نشان نمی‌دهد و سخت‌افزار مورد استفاده برای اجرا را نیز مشخص نمی‌کند.
چرا مهم است
برای تیم‌هایی که می‌خواهند مدل‌های کنترل ربات را روی پلتفرم‌هایی با حافظه محدود اجرا کنند، این فشرده‌سازیِ گزارش‌شده می‌تواند استقرار مدل را آسان‌تر کند؛ اما چکیده نمی‌گوید SACQ روی چه سخت‌افزاری قابل اجراست و نتایج را نیز به‌طور مستقل تأیید نمی‌کند.
