Des chercheurs ont présenté SACQ, une méthode qui compresse les poids des modèles vision-langage-action utilisés pour contrôler des robots. Elle attribue différents niveaux de précision en fonction, notamment, de l’effet de la compression de chaque couche sur l’action finale du modèle.
Lors de tests avec GR00T N1.7, l’équipe fait état d’un taux de réussite moyen de 93.85% sur quatre suites LIBERO avec 1.5 bit par poids de langage/action, tout en réduisant la mémoire du modèle d’un facteur 4.83. Ces résultats sont ceux rapportés dans l’article publié sur arXiv ; le résumé fourni ne permet pas d’établir qu’ils ont été validés indépendamment ni de savoir sur quel matériel ils ont été obtenus.
Pourquoi c'est important
Pour les équipes qui cherchent à faire tourner des modèles de contrôle robotique sur des plateformes à mémoire limitée, cette compression pourrait faciliter le déploiement. Toutefois, le résumé ne précise pas sur quel matériel SACQ peut fonctionner et ne confirme pas que les résultats ont été validés indépendamment.
