Psi-R2.5

Psi-R2.5 to model bazowy inteligencji ucieleśnionej (embodied AI) opracowany przez chińską firmę PsiBot (灵初智能), zaprezentowany we wrześniu 2026 roku jako rozwinięcie modelu Psi-R2. Zamiast dalej skalować wolumen danych, zespół przebudował cały łańcuch treningowy wokół jakości danych — kluczowym pojęciem jest tu „strong pair data", czyli pary demonstracji człowiek–robot zsynchronizowane klatka po klatce.

Architektura jest dwuwarstwowa. Warstwa górna, oparta na backbonie QwenVL3.5-4B, przetwarza instrukcje wizualno-językowe i rozkłada je na podzadania, korzystając z kontekstu metadanych (pamięć, miękkie prompty) oraz sygnałów wartości z uczenia ze wzmocnieniem. Warstwa dolna, oparta na backbonie Wan2.2-IT2V-5B, generuje trajektorie akcji robota na podstawie wyjścia warstwy górnej i bieżącej obserwacji.

Nietypowy jest kierunek generowania danych: zamiast przekładać nagrania człowieka na dane robota, PsiBot używa modelu świata Psi-W0 do odwrotnego wygenerowania danych ręki ludzkiej z trajektorii robota, a następnie trenuje transformer w stylu edycji wideo (nie politykę), który mapuje wejście z ręką człowieka na dopasowane wyjście robota. Poprawność weryfikuje się bezpośrednim odtworzeniem na robocie oraz skutecznością dostrajania zadań końcowych. Psi-R2.5 wykazuje generalizację zero-shot przez uczenie w kontekście — pojedyncza demonstracja człowieka, przełożona na format robota, wystarcza do adaptacji zadania bez aktualizacji wag.