Pesquisadores apresentaram o SACQ, um método para comprimir os pesos de modelos de visão-linguagem-ação usados no controle de robôs. Ele define a precisão com base, em parte, no efeito que a compressão de cada camada tem sobre a ação final do modelo.
Em testes com o GR00T N1.7, a equipe relata uma taxa média de sucesso de 93.85% em quatro conjuntos de tarefas do LIBERO, usando 1.5 bits por peso de linguagem/ação e reduzindo a memória do modelo em 4.83 vezes. Esses resultados foram relatados no artigo publicado no arXiv; o resumo fornecido não confirma validação independente nem identifica o hardware usado na implantação.
Por que importa
Para equipes que tentam executar modelos de controle de robôs em plataformas com memória limitada, a compressão relatada pode facilitar a implantação. No entanto, o resumo não informa em qual hardware o SACQ pode ser executado nem confirma os resultados de forma independente.
