Onderzoekers introduceerden SACQ, een methode om de gewichten te comprimeren van vision-language-action-modellen die robots aansturen. De methode kent precisie toe op basis van onder meer het effect dat het comprimeren van elke laag heeft op de uiteindelijke actie van het model.
In tests met GR00T N1.7 behaalde het model volgens het team gemiddeld 93.85% succes in vier LIBERO-suites, met 1.5 bits per taal-/actiegewicht. Tegelijkertijd werd het modelgeheugen 4.83 keer kleiner. Dit zijn resultaten die in het arXiv-artikel worden gemeld; uit het aangeleverde abstract blijkt niet dat ze onafhankelijk zijn gevalideerd of op welke hardware de methode is ingezet.
Waarom het ertoe doet
Voor teams die robotbesturingsmodellen willen draaien op platforms met weinig geheugen, kan de gemelde compressie de inzet ervan vergemakkelijken. Het abstract vermeldt echter niet op welke hardware SACQ kan draaien en bevestigt de resultaten niet onafhankelijk.
