FLUX 3 Action е модел със 7 милиарда параметъра, изведен от генератора на видео и картинки на Black Forest Labs. По данни на компанията води в класацията RoboLab-120 с по-малко от половината параметри на предишния най-добър отворен модел. Теглата са свободни за изследване, а търговската употреба иска отделен лиценз.
- Моделът взима кадрите от камерите, положението на робота и текстова команда и връща едновременно следващите движения и как ще изглеждат.
- По данни на BFL постига 42,2% успех в RoboLab с вариант без отделна стъпка за насочване, срещу 36,8% за Cosmos 3 Nano.
- Лицензът FLUX Kommunity позволява некомерсиална употреба, включително в роботика; търговията иска договор с BFL.
Компания, известна с генератори на картинки, пуска модел за роботи. Звучи като завой, а е естествено продължение.
Ако един модел може да предскаже следващите кадри от видео, той вече разбира малко как се движат нещата. Black Forest Labs вземат това разбиране и го карат да предсказва и следващото движение на ръката: какво ще направи роботът и как ще изглежда сцената след това.
Бързото и умното заедно
Най-интересният експеримент в доклада не е класацията. BFL слагат голям модел за разсъждение, GPT-6 Astra, да командва, а FLUX 3 Action да изпълнява, като шефът се намесва само когато е нужно.
Чистото разсъждение решава всички задачи, но по техните сметки всеки успех струва 13,47 долара и около 16 минути. Комбинацията решава 90% и струва 8,77 долара за около 8 минути. Бавният мислител и бързите ръце излизат по-евтино от мислителя, който прави всичко сам.
Класацията е от симулация, а и тя, и сметките са на компанията. Има и проба на истинска ръка: независимата Positronic Robotics е пуснала модела на робот Franka в своята лаборатория и той е изпълнил 28 от 30 опита по десет задачи. Тридесет опита са начало, не присъда.
Теглата са свободни за изследване и хоби. За робот, който ще работи при клиент, първо се чете лицензът, защото в него роботиката е спомената изрично.