# VICTR با سنجش پیشرفت نمایش، موفقیت ربات در انجام وظایف را افزایش می‌دهد

> پژوهشگران می‌گویند VICTR موفقیت در وظایف دست‌کاری ناآشنای دنیای واقعی را به 23.8% رسانده؛ درحالی‌که این رقم برای مدل پایه تنظیم‌دقیق‌شده 6.2% بوده است.

Oossa · 2026-11-09 · https://oossa.com/fa/victr-improves-robot-task-success-using-demonstration-progress

پژوهشگران VICTR را معرفی کرده‌اند؛ روشی که به ربات‌های بینایی-زبان-کنش کمک می‌کند هنگام انجام یک وظیفه، بخش‌های مفید یک نمایش را انتخاب کنند. این روش به‌جای بازیابی نمونه‌ها صرفاً بر اساس شباهت بصری، برآورد می‌کند ربات در مقایسه با یک ویدیوی مرجع تا کجای کار پیش رفته است و سپس بخش‌هایی از نمایش مربوط به همان مرحله را در اختیار سیاست π0.5 می‌گذارد.

این گروه در وظایف دست‌کاری دنیای واقعیِ ناآشنا و خارج از دامنه، نرخ موفقیت 23.8% را گزارش کرده است؛ در مقایسه با 6.2% برای مدل پایه π0.5 که تنظیم‌دقیق شده بود. مقاله همچنین گزارش می‌کند که میزان پیشرفت در انجام وظیفه از 28.9% به 55.5% رسیده است؛ اما مشخص نمی‌کند این روش در استقرار گسترده‌تر چه عملکردی دارد.

## حقایق

- VICTR از برآوردگر پیشرفتی استفاده می‌کند که با نمایش مرجع، دستور زبانی و مشاهده فعلی شرطی شده است.
- موفقیت گزارش‌شده: 23.8% برای VICTR در برابر 6.2% برای مدل پایه π0.5 تنظیم‌دقیق‌شده.

## چرا مهم است

برای پژوهشگران رباتیک، VICTR نشان می‌دهد تطبیق نمایش‌ها بر اساس میزان پیشرفت در انجام وظیفه شاید به ربات‌ها کمک کند از پس وظایف دست‌کاری ناآشنا بربیایند؛ عملکرد این روش فراتر از آزمون‌های گزارش‌شده هنوز مشخص نیست.

## منابع و ارجاع‌ها

1. [VICTR: Value-Informed In-Context Learning for Vision-Language-Action Models](https://arxiv.org/abs/2611.08698) – arXiv cs.RO, 2026-11-09

آخرین به‌روزرسانی: 2026-11-09