Les chercheurs présentent TinyAstral, une méthode qui transfère vers un modèle plus petit les améliorations apportées aux outils, aux retours et à la logique de récupération d’un agent robotique. Sur RoboTwin, l’équipe rapporte que l’amélioration de l’environnement logiciel du modèle enseignant a fait passer son taux de réussite de 33.4% à 63.6% ; un modèle étudiant distillé de 4B a atteint 62.8%.
Selon les chercheurs, le modèle étudiant a utilisé environ un cinquième du temps d’accélérateur de son modèle enseignant lors des épisodes de déploiement mesurés. Ces travaux sont présentés dans un article publié sur arXiv ; le résumé ne fait état d’aucune validation indépendante.
Pourquoi c'est important
Pour les équipes qui déploient des agents robotiques, la réduction par cinq du temps d’accélérateur rapportée pourrait diminuer les besoins en calcul lors du déploiement, même si le résumé ne démontre ni validation indépendante ni performances plus larges en conditions réelles.
