UBTECH Thinker-VLA

Thinker-VLA 1.0 · Rodzina: Thinker

Model wizja-język-akcja z rodziny UBTECH Thinker: łączy percepcję wizualną, polecenia językowe i generowanie działań. Zastosowany w przemysłowych zadaniach manipulacji.

✓ Aktywny✓ Publiczny dostęp⚖ Open sourceModel wzrok-język-akcja📁 Thinker

🏢UBTECH RoboticsProducent

Wdrożenie:📱 Na urządzeniu☁ Cloud

Przegląd

UBTECH Thinker-VLA to model wizja-język-akcja (VLA) z rodziny Thinker firmy UBTECH Robotics. Stanowi trzecią, wykonawczą warstwę stosu Thinker: łączy percepcję wizualną, polecenia w języku naturalnym oraz generowanie działań, dostosowując ruchy robota do zmieniających się obiektów i otoczenia.

Zastosowania i wydajność

Model wykorzystywany jest w przemysłowych zadaniach przenoszenia i załadunku. Według UBTECH podnosi efektywność wnioskowania w scenariuszach przemysłowych o 176%. Szczegóły architektury, liczby parametrów i licencji nie zostały publicznie ujawnione.

Klasyfikacja

Model wzrok-język-akcja

Rodzina: Thinker

Zastosowania

Manipulacja robotyczna Trening polityk robotów

Dostęp i wdrożenie

Na urządzeniuChmura

Wagi: Open source

Kluczowe parametry

📥 Wejście: obraz, tekst, sensory robota

Robotyka

Robot manipulationRobot controlVisual groundingObject affordance understandingMotion planning

Specyfikacja techniczna

Licencja

Open source (deklaracja UBTECH; brak potwierdzonego publicznego repozytorium)

Wymagania sprzętowe

Nieujawnione publicznie. Model wykonawczy VLA w warstwie akcji humanoidów UBTECH (wnioskowanie na urządzeniu i w chmurze).

Modalności

⬇ Wejście (Input)

imagetextrobot_sensors

⬆ Wyjście (Output)

robot_actionsmanipulator_controlmotion_trajectories

Możliwości i zastosowania

Natywne możliwości modelu

Ugruntowanie wizualno-językowo-akcyjne

Zdolność modelu VLA do łączenia percepcji wizualnej i polecenia językowego z konkretnym działaniem fizycznym robota. Model rozumie scenę i intencję, a następnie generuje sekwencję akcji wykonawczych, zamykając pętlę od obserwacji do ruchu.

Kategoria: robotics

Warunkowanie akcjami

Sterowanie generacją modelu poprzez sygnały akcji (kamera, pose robota, komendy, mowa) zamiast wyłącznie promptem tekstowym.

Kategoria: multimodal

Planowanie

Tworzenie i realizacja planów działania dla złożonych zadań.

Kategoria: planning

Rozumienie multimodalne

Zdolność modelu do łączenia i interpretowania informacji z więcej niż jednej modalności, np. tekstu i obrazu.

Kategoria: multimodal

Robotyka

Robot manipulationRobot controlVisual groundingObject affordance understandingMotion planning