Gemini 4 Argon ভৌত বোধ, কোড তৈরি এবং দৃশ্য-অর্থগত যুক্তিতে একটি বড় পরিবর্তন এনেছে, যা রোবোটিক্স স্ট্যাক জুড়ে নতুন কর্মপ্রবাহ উন্মুক্ত করছে এবং ভৌত AGI-এর দিকে অগ্রগতি ত্বরান্বিত করছে। Embodied Reasoning (ERQA) বেঞ্চমার্কে, যা পরীক্ষা করে কোনো মডেল 3D পরিবেশে ভৌত ও স্থানিক সমস্যা বুঝে সমাধান করতে পারে কিনা, Argon শুধু যুক্তির মাধ্যমে 87% স্কোর করেছে এবং অন্য সব অগ্রণী মডেলকে ছাড়িয়ে গেছে।
একটি সাধারণ-উদ্দেশ্যের ভৌত যুক্তি মডেল হিসেবে, Argon রোবোটিক্সের পুরো জীবনচক্রে প্রয়োগ করা যেতে পারে। পোস্টটিতে চারটি মূল ক্ষেত্র তুলে ধরা হয়েছে: রোবট নিয়ন্ত্রণ, Real2Sim, ভৌত বোধ, এবং গবেষণা ও স্ব-উন্নয়ন। রোবট নিয়ন্ত্রণে, Argon একটি 6-DoF বাহুসহ Boston Dynamics Spot চতুষ্পদ রোবট চালায় এবং একটি নতুন দক্ষতা শেখে: ফুট-পেডাল ময়লার ঝুড়ির পেডালে পা রেখে সোডার ক্যান ফেলা। প্রকৃত পেডালে কাজ করার আগে এটি প্রথমে ঝুড়ির একটি সন্ধিযুক্ত MuJoCo ডিজিটাল টুইন তৈরি করে নিজের নড়াচড়া অনুশীলন করে।
Argon একটি সাধারণ রোবোটিক বাহু দিয়ে জিরো-শট নিয়ন্ত্রণও দেখায়। একটি ভিজ্যুয়াল কো-অর্ডিনেট হার্নেস এবং অ্যাকশন প্রিমিটিভ ব্যবহার করে এটি পড়ে যাওয়া একটি মগ সোজা করে এবং একটি কুঁচকানো ন্যাপকিন তার ভেতরে রাখে, কব্জির ক্যামেরা থেকে পাওয়া ক্যালিব্রেটেড ফিডব্যাক নিয়ে কয়েকটি ধাপে যুক্তি দিয়ে। সিস্টেমটি কাজ করার আগে নিজের কর্ম যাচাই করতে অ্যানোটেটেড বিশ্ব-স্থানাঙ্ক, গ্রিপ ওরিয়েন্টেশন সংকেত এবং ক্লোজড-লুপ যাচাই ব্যবহার করে।
Real2Sim ক্ষেত্রে, Argon রোবটের ক্যামেরা ফিড, মানুষের প্রথম-পুরুষ ভিডিও বা হাতে আঁকা স্কেচ থেকে ভৌতভাবে ক্যালিব্রেটেড সিমুলেশন টুইন পুনর্গঠন করে। এজেন্টিক মাল্টিমোডাল লেবেলিং এবং হার্ডওয়্যারে পুনরাবৃত্ত স্ব-উন্নয়নের সঙ্গে মিলিয়ে এই সক্ষমতাগুলো এমন রোবটের দিকে ইঙ্গিত করে যারা বিভিন্ন কাজ জুড়ে আরও স্বায়ত্তশাসিতভাবে শেখে।
উৎস: Hacker News · সারাংশ: HeadlinesBriefing