RLDX-1

RLDX-1 to dexterity-first foundation model dla rąk robotycznych opracowany przez RLWRLD i zaprezentowany w maju 2026. Model wykorzystuje autorską architekturę Multi-Stream Action Transformer (MSAT), w której każda modalność (wizja, język, propriocepcja, pamięć, dotyk, momenty) przechodzi przez własny strumień przetwarzania, a wspólna uwaga (joint self-attention) łączy je przed dekodowaniem akcji.

Jako backbone wizualno-językowy RLDX-1 wykorzystuje dofinetunowany Qwen3-VL 8B (RLDX-1-VLM). Model integruje moduł motion (kompresja wielu klatek przez kontekstowe video tokens), moduł physics (strumień dotyku i momentów z predykcją przyszłych stanów kontaktu) oraz interfejs poznawczy z 64 cognition tokens spinający długoterminową pamięć (Memory Module).

RLDX-1 jest dystrybuowany w trzech checkpointach: RLDX-1-PT (pre-trained, embodiment-agnostic) oraz dwa mid-trained warianty 8.1B — RLDX-1-MT-ALLEX (humanoid ALLEX) i RLDX-1-MT-DROID (Franka Research 3 z AnySkin). Pipeline treningowy obejmuje pre-training, mid-training dla docelowego embodiment oraz post-training z DAgger i Progress-Aware RL korzystającym z dedykowanego VLM-critic. Wagi i kod są udostępnione na Hugging Face oraz GitHub.

W benchmarkach symulacyjnych RLDX-1 osiąga 97,8 na LIBERO, 70,6 na RoboCasa Kitchen, 58,7 na RoboCasa GR-1 Tabletop oraz 32,1 na RoboCasa 365, przewyższając π₀.₅, π₀-FAST i GR00T N1.5/N1.6. Na realnym benchmarku ALLEX (Conveyor Pick-and-Place, Object-in-Box Selection, Pot-to-Cup Pouring) RLDX-1-MT-ALLEX osiąga odpowiednio 87,5%, 91,7% i 70,8% sukcesu wobec poniżej 30% u baselinów.