Onderzoekers introduceren TinyAstral, een methode om verbeteringen aan de tools, feedback en herstelmechanismen van een robotagent over te dragen naar een kleiner model. Op RoboTwin verhoogde het verbeterde harnas van de leermeester volgens het team het slagingspercentage van 33.4% naar 63.6%; een gedistilleerd 4B-studentmodel kwam uit op 62.8%.
Volgens de onderzoekers gebruikte het studentmodel tijdens gemeten episodes in de praktijk ongeveer een vijfde van de acceleratortijd van zijn leermeester. Het onderzoek is gepubliceerd op arXiv; in de samenvatting staat geen onafhankelijke validatie beschreven.
Waarom het ertoe doet
Voor teams die robotagenten inzetten, kan de gemelde vervijfvoudiging van de acceleratortijd de benodigde rekenkracht bij gebruik verlagen. De samenvatting biedt echter geen bewijs voor onafhankelijke validatie of bredere prestaties in de praktijk.
