I ricercatori hanno presentato SACQ, un metodo per comprimere i pesi dei modelli vision-language-action usati per controllare i robot. Il metodo assegna livelli di precisione diversi anche in base all’effetto che la compressione di ciascun layer ha sull’azione finale del modello.
Nei test con GR00T N1.7, il team riferisce un successo medio del 93.85% nelle quattro suite LIBERO usando 1.5 bit per peso relativo a linguaggio/azione, con una riduzione della memoria del modello di 4.83 volte. Si tratta di risultati riportati nell’articolo su arXiv; l’abstract fornito non ne attesta una verifica indipendente né indica l’hardware usato per l’esecuzione.
Perché conta
Per i team che vogliono eseguire modelli di controllo robotico su piattaforme con memoria limitata, la compressione riportata potrebbe facilitare la distribuzione. L’abstract, tuttavia, non specifica quale hardware possa eseguire SACQ né conferma i risultati in modo indipendente.
