Forskare har presenterat SACQ, en metod för att komprimera vikterna i vision-language-action-modeller som används för att styra robotar. Metoden tilldelar olika precision bland annat utifrån hur komprimering av varje lager påverkar modellens slutliga handling.
I tester med GR00T N1.7 uppger forskargruppen en genomsnittlig framgång på 93.85% i fyra LIBERO-sviter, med 1.5 bitar per språk-/handlingsvikt, samtidigt som modellens minnesåtgång minskade 4.83 gånger. Resultaten kommer från arXiv-artikeln; det tillhandahållna sammandraget visar inte att de har verifierats oberoende och anger inte vilken hårdvara som användes vid körning.
Varför det spelar roll
För team som vill köra robotstyrningsmodeller på plattformar med begränsat minne kan den rapporterade komprimeringen underlätta driftsättning. Sammandraget säger dock inte vilken hårdvara som kan köra SACQ eller bekräftar resultaten genom oberoende granskning.
