Mô hình Nguyên Lực Linh Cơ DM0.5 ra mắt: Hiệu suất Zero-Shot tăng 31% nhờ 150.000 giờ huấn luyện

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

09-07-2026 20:18:17 Nguồn: QbitAI

“Sự trỗi dậy của khả năng tổng quát hóa đã xuất hiện”

Hengyu, đưa tin từ Aofeisi

QbitAI | Kênh chính thức QbitAI

Trong ngành công nghiệp trí tuệ nhân tạo hiện thân (Embodied AI), gần như chẳng có mấy sự đồng thuận.

Tuy nhiên, có một điểm mà mọi người đều công nhận: bánh đà dữ liệu không thể vận hành chính là một trong những rào cản lớn nhất của ngành.

Nếu tuân thủ Scaling Law (Định luật quy mô), trí tuệ nhân tạo hiện thân cũng cần quy mô dữ liệu lớn hơn, vòng lặp dữ liệu chất lượng cao hơn và sức mạnh tính toán mạnh mẽ hơn.

Lộ trình giải quyết vấn đề sức mạnh tính toán tương đối rõ ràng; nhưng về phía dữ liệu, nếu muốn theo đuổi mức dữ liệu hàng triệu giờ, việc dựa vào thu thập thủ công thuần túy thực sự rất tốn thời gian và công sức, chúng ta thực sự không thể chờ đợi được.

Nếu yêu cầu khắt khe hơn, đòi hỏi dữ liệu vừa nhiều vừa phải có giá trị thực tế cho các tác vụ, thì chỉ cần nghĩ sơ qua cũng biết là còn khó hơn gấp bội.

Trạng thái lý tưởng nhất chính là biến việc thu thập dữ liệu hiện thân từ dạng “dữ liệu thu thập” thụ động, trở thành “dữ liệu kịch bản” được tạo ra liên tục trong các nghiệp vụ thực tế, từ đó thúc đẩy và tăng tốc bánh đà dữ liệu vận hành.

Về khía cạnh này, công ty khởi nghiệp ngôi sao trong lĩnh vực trí tuệ nhân tạo hiện thân là Yuanli Lingji đang làm khá tốt và rất tiêu biểu.

Đội ngũ sáng lập cốt lõi của họ xuất thân từ Megvii, sở hữu kinh nghiệm dày dặn trong huấn luyện mô hình AI quy mô lớn, triển khai robot và sản xuất phần cứng độ tin cậy cao; gần đây công ty đã hoàn tất việc sáp nhập với công ty robot logistics Atomix, bổ sung mảnh ghép quan trọng về phía kịch bản thực tế.

Có kinh nghiệm và kịch bản trong tay chắc chắn không có nghĩa là nắm chắc phần thắng, bởi lẽ nếu ném một mô hình "nửa mùa" vào kịch bản thực tế, nó cũng sẽ không thể tiếp nhận hoặc tiêu hóa nổi dữ liệu.

Tại hội nghị nhà phát triển của Yuanli Lingji hôm nay, công ty này đã trình làng thế hệ mô hình nền tảng hiện thân mới DM0.5.

Về phía trước, nó có thể tiếp nhận bánh đà dữ liệu; về phía sau, nó kết nối nền tảng nhà phát triển với các kịch bản thực tế, có thể coi là nền móng cho mọi hành động triển khai tiếp theo.

150.000 giờ dữ liệu, nền tảng cốt lõi của DM0.5

Từ khóa mà Yuanli Lingji dành cho DM0.5 là “lớn hơn, mạnh hơn, thiết thực hơn”.

Nó được định vị là “mô hình nền tảng hiện thân tổng quát hướng tới thế giới mở”, với quy mô tham số là 4B, gấp đôi so với thế hệ DM0 trước đó.

So với mô hình nền tảng thế hệ trước, lượng dữ liệu của DM0.5 đã tăng 400%.

Những dữ liệu này được cấu thành từ ba loại dữ liệu chất lượng cao.

Loại thứ nhất là dữ liệu từ máy thật (Real-machine data).

DM0.5 sử dụng 50.000 giờ dữ liệu thao tác độ chính xác cao, bao phủ hơn 100 loại hành động phong phú và đạt được sự căn chỉnh hành động theo lệnh tinh vi ở cấp độ giây.

Loại dữ liệu này chủ yếu chịu trách nhiệm giải quyết các vấn đề liên quan đến việc làm thế nào để robot hoàn thành thao tác trong thế giới vật lý thực.

Loại thứ hai là dữ liệu Egocentric, tức là dữ liệu từ góc nhìn thứ nhất.

100.000 giờ dữ liệu Ego giúp mô hình có thể hiểu môi trường từ góc nhìn tương tự con người và hỗ trợ tạo 3D Landmark độ chính xác cao ở cấp độ milimet.

Loại thứ ba là dữ liệu tái dựng kịch bản (Scene reconstruction data).

Đội ngũ đã mô hình hóa các môi trường trong nhà phức tạp thông qua 1 triệu mét vuông dữ liệu không gian, giúp mô hình giảm thiểu Sim2Real Gap (khoảng cách giữa môi trường mô phỏng và thế giới thực).

Ngoài dữ liệu chất lượng cao, DM0.5 còn thực hiện ba đổi mới quan trọng trong kiến trúc mô hình.

1. Lớp trừu tượng hóa ngữ cảnh (Context abstraction layer)

Các tác vụ mà trí tuệ nhân tạo hiện thân đối mặt trong kịch bản thực tế phần lớn là các công việc chu kỳ dài kéo dài vài phút hoặc lâu hơn, bắt buộc phải tăng cường khả năng ghi nhớ các bước và trạng thái trước đó.

Thông qua việc nén ngữ cảnh hiệu quả, DM0.5 hỗ trợ nguyên bản khả năng ghi nhớ dài nhất lên tới 60 giây (mức trung bình thường ở khoảng 30 giây).

Mô hình có thể trích xuất và lưu giữ chính xác hơn các ngữ cảnh lịch sử quan trọng, hiểu được các hành động và thay đổi môi trường xảy ra trong phạm vi thời gian dài hơn, giảm thiểu tình trạng "mất kết nối" trong các công việc liên tục chu kỳ dài.

2. Tác vụ chuỗi tư duy hiện thân (Embodied Chain-of-Thought)

Mô hình hiện thân của Yuanli Lingji chủ yếu đi theo lộ trình VLA, nhưng mô hình VLA thực tế lại chú trọng nhiều hơn vào việc ánh xạ từ đầu vào thị giác sang đầu ra hành động, công nghệ hiện tại vẫn còn thiếu sót về khả năng hiểu và thực thi, dễ dẫn đến việc thử sai mù quáng hoặc bị khựng lại khi gặp kịch bản phức tạp.

DM0.5 giới thiệu các tác vụ suy luận như lập kế hoạch tác vụ, định vị mục tiêu, dự đoán trạng thái tương lai, giúp mô hình học được chiêu thức “tính toán trước rồi mới hành động”.

Khi đối mặt với các lệnh phức tạp, nó sẽ tự phân tách mục tiêu lớn thành nhiều tác vụ con bên trong, lập kế hoạch thứ tự và logic hành động trước khi thực hiện, giúp giảm đáng kể các hành động vô ích và tỷ lệ thất bại.

3. Lớp căn chỉnh quỹ đạo (Trajectory alignment layer)