Mniej znaczy szybciej. WorldDiT od Bagel Labs udowadnia, że roboty nie potrzebują bilionów parametrów

Bagel Labs rzuca wyzwanie gigantom. Zamiast budować monstrualne modele, które wymagają całych serwerowni do poruszenia ramieniem robota, zespół pod kierownictwem Bidhana Roya stworzył WorldDiT. To system, który mieści się poniżej progu 1 miliarda parametrów, a mimo to potrafi jednocześnie przewidywać przyszłość i sterować fizycznym sprzętem.

Dlaczego to ważne właśnie teraz? W branży trwa wyścig w skalowaniu, ale rozwój WorldDiT pokazuje inny kierunek: integrację. Zamiast łączyć kilka osobnych systemów w „sklejki”, WorldDiT wykorzystuje jeden fundament dyfuzyjny. Dzięki temu model równolegle decyduje o ruchu i symuluje, jak po tym ruchu zmieni się otoczenie. To kluczowe dla małych urządzeń, gdzie liczy się każda milisekunda opóźnienia, a nie ma miejsca na gigantyczne karty graficzne.

Synergia percepcji i działania

Kluczem do innowacyjności WorldDiT jest odejście od separacji modułów. Zamiast tworzyć oddzielne systemy dla percepcji i kontroli, inżynierowie z Bagel Labs wykorzystali wspólne parametry dla obu zadań. W praktyce oznacza to, że te same wagi modelu decydują o ruchu ramienia i o przewidywaniu wizualnym. Wykorzystując mechanizm dyfuzji, system potrafi jednocześnie testować akcje i generować wizję przyszłego stanu świata, co daje mu bogatszy sygnał zwrotny podczas nauki.

Efektywność w kontrze do gigantyzmu

Największym atutem WorldDiT nie jest sama wielozadaniowość, lecz sprawność operacyjna. Model utrzymuje się poniżej 1 mld parametrów, co w dobie systemów typu „frontier” jest wynikiem zaskakująco niskim. Mimo to, w standardowym benchmarku LIBERO, służącym do oceny manipulacji robotycznej sterowanej językiem, WorldDiT osiąga wyniki konkurencyjne wobec znacznie większych jednostek. Dla inżynierów budujących systemy embedded to wiadomość dnia: mniejsze zapotrzebowanie na pamięć oznacza przetwarzanie bezpośrednio na urządzeniu, a nie w chmurze.

Ewolucja od obrazu do fizycznej AI

Premiera WorldDiT stanowi logiczne rozwinięcie prac nad zdecentralizowaną dyfuzją, takich jak wcześniejsze projekty Paris i Paris 2.0. Jak zauważają autorzy w swoim technicznym raporcie, modele świata, czyli predykcyjne reprezentacje tego, jak środowisko ewoluuje pod wpływem działań, stały się centralnym komponentem nauki robotów. Udostępnienie wag na platformie Hugging Face pozwala społeczności sprawdzić, czy podejście „wydajność ponad skalę” faktycznie wystarczy, by roboty wyszły z laboratoriów do naszych mieszkań.