კოდი უკვე ხელმისაწვდომია, მაგრამ სასწავლო ვიდეოების ბაზა დახურული რჩება და შედეგები სხვა გუნდებს ჯერ არ გადაუმოწმებიათ.
Alibaba-ს რუკების სერვისმა Amap-მა და Token Hub-მა ღია AI მოდელი lambda0 (იწერება, როგორც λ0) გამოაქვეყნეს. ამ სისტემამ ჰუმანოიდ რობოტ Unitree G1-ს სახლისა და საწყობის საქმეები ძირითადად ჩვეულებრივი ადამიანების 500-საათიანი ვიდეოჩანაწერებით ასწავლა, რომლებსაც კამერა პირდაპირ ყელზე ეკიდათ. ეს რობოტიკის მთავარ პრობლემას აგვარებს, რადგან თავად რობოტებით სასწავლო მასალის შეგროვება ძალიან ნელი და ძვირია. დეტალები arXiv-ზე გამოქვეყნებულ კვლევასა და პროექტის გვერდზე დევს, რის შესახებაც TSN-მა 24 ოქტომბერს დაწერა.
როგორ ასწავლეს რობოტს მოძრაობა რობოტის გარეშე
lambda0 რობოტის მთელ სხეულს ერთდროულად მართავს, ანუ სიარულს, წონასწორობასა და ორივე ხელს ერთად აკონტროლებს. სახელიც პატარა ხუმრობაა. GitHub-ის გვერდზე წერია, რომ ბერძნული ასო λ ფორმით ჩინურ იეროგლიფს (人) ჰგავს, რაც ადამიანს ნიშნავს.
რატომ მაინცდამაინც ყელზე ჩამოკიდებული კამერა? GoPro ზუსტად იმ სიმაღლეზე იღებს გარემოს, რომელზეც რობოტის საკუთარი კამერაა დაყენებული. ჩაწერის დროს ადამიანებს ტანზე PICO-ს სენსორები ეკეთათ, რომლებიც სხეულის 24 სახსარს აღრიცხავდა, ხოლო პროგრამა თითოეული ხელის 21 სახსრის მოძრაობას აღადგენდა. ეს სენსორები მხოლოდ მასალის შესაგროვებლად გამოიყენეს და თავად რობოტის მუშაობისას საჭირო აღარ არის.
ასე შეიქმნა HumanVerse-ის ბაზა, რომელიც რეალურ გარემოში, რობოტის გარეშე გადაღებულ 827 ტიპის დავალებას აერთიანებს. გუნდის დათვლით, ადამიანის მოქმედების ჩაწერა 3,4-ჯერ უფრო სწრაფია. ერთ ჩვენებას დაახლოებით 29 წამი სჭირდება, როცა რობოტით იმავე პროცესს 100 წამი მიაქვს.
რამდენად კარგად მუშაობს მოდელი რეალურ ტესტებში
ავტორებმა მოდელი რეალურ Unitree G1 რობოტზე გამოსცადეს, რომელსაც BrainCo Revo 2-ის ხელები ჰქონდა დაყენებული. ოთხ სხვადასხვა დავალებაზე თითოეული მეთოდი 40-ჯერ შეამოწმეს. თავად შემქმნელების მიერ ჩატარებული ტესტების ცხრილი ასე გამოიყურება:
| Method | Success (%) | Task progress (%) |
| — | — | — |
| lambda0 | 62,5 | 80,4 |
| π0.5 | 40,0 | 54,0 |
| StarVLA | 27,5 | 54,6 |
| Ψ0 | 10,0 | 31,8 |
| GR00T N1.6 | 7,5 | 21,3 |
lambda0-მა 40 ცდიდან 25 ბოლომდე მიიყვანა, ხოლო ვირტუალურ სიმულაციაში, საჯარო SIMPLE ტესტზე, 90,0% აჩვენა. ადამიანების ვიდეოების გარეშე შედეგი მკვეთრად ეცემა. HumanVerse-ის ეტაპის ამოღებისას რეალურ სამყაროში წარმატების მაჩვენებელი 22,5%-მდე ჩამოვიდა, ადამიანის მონაცემებით წინასწარი მომზადების გარეშე კი სულაც 15,0%-მდე დაეცა.
Alibaba-ს გუნდმა კოდი Apache 2.0 ლიცენზიით გახსნა და Hugging Face-ზე Qwen3.5-2B-ზე დაშენებული შუალედური მოდელიც განათავსა, რომლის გადმოწერა და საკუთარ კომპიუტერზე გაშვება ნებისმიერ მსურველს შეუძლია. თუმცა, მთავარი ნაწილი ჯერ ისევ დახურულია. არც HumanVerse-ის ვიდეოების ბაზა გაუსაჯაროებიათ და არც საბოლოო წვრთნისა თუ რობოტში ჩაშვების სრული სქემაა ჯერ ხელმისაწვდომი. გარდა ამისა, ეს მონაცემები მხოლოდ ავტორების ტესტებს ეყრდნობა და დამოუკიდებელ მკვლევრებს ჯერ არ გადაუმოწმებიათ, ხოლო 62,5%-იანი შედეგი იმასაც ნიშნავს, რომ რობოტს მცდელობების მესამედზე მეტი მაინც ეშლება.
| საბაზისო მოდელი | Alibaba Qwen3.5-2B |
| HumanVerse-ის ვიდეოების ბაზა | 500 საათი (32 993 ეპიზოდი, 87,0 მილიონი კადრი, 827 ტიპის დავალება) |
| მოძრაობის აღრიცხვა | 24 სახსარი სხეულზე (PICO), 21 სახსარი თითო ხელზე (პროგრამული) |
| ჩაწერის სისწრაფე | 29 წამი ადამიანის ჩვენებაზე, 100 წამი რობოტის ჩვენებაზე (3,4-ჯერ სწრაფი) |
| სატესტო რობოტი | Unitree G1 და BrainCo Revo 2-ის ხელები |
| რეალური ტესტის შედეგი | 62,5% წარმატება (40 ცდიდან 25), 80,4% პროგრესი |
| სიმულაციის შედეგი (SIMPLE) | 90,0% (180 ცდა) |
ფოტო: Amap and Token Hub, Alibaba (official project video and page)
წყარო: arXiv 2610.18950: lambda0, Scaling Open-World Egocentric Human Data for Humanoid Loco-Manipulation | Official project page (lambdahumanoid.github.io) | TSN: Alibaba’s Amap Releases lambda0 Humanoid Robot Model (24 Oct 2026)
ეს სტატია შეიქმნა AI ხელსაწყოებით, პროცესში ადამიანის ჩართულობა დაახლოებით 10%-ია.
