NVIDIA представляет Cosmos-Reason1: набор AI моделей для улучшения физического мышления и обоснованного рассуждения
Искусственный интеллект (AI) достиг значительных успехов в обработке языка, математике и генерации кода. Однако расширение этих возможностей на физические среды остается сложной задачей. Физический AI стремится преодолеть этот разрыв, разрабатывая системы, которые воспринимают, понимают и действуют в динамичных, реальных условиях.
Проблемы существующих AI моделей
Текущие ограничения AI моделей связаны с их слабой связью с реальной физикой. Эти системы хорошо справляются с абстрактными задачами, но часто испытывают трудности с предсказанием физических последствий или адекватным реагированием на сенсорные данные. Обучение непосредственно в физических условиях дорогостоящее и рискованное, что затрудняет развитие и итерации.
Решение от NVIDIA: Cosmos-Reason1
Исследователи NVIDIA представили Cosmos-Reason1, набор мультимодальных больших языковых моделей, специально разработанных для задач физического мышления. Модели Cosmos-Reason1-7B и Cosmos-Reason1-56B проходят обучение в два этапа: Супервизированное тонкое обучение (SFT) и Обучение с подкреплением (RL).
Ключевые особенности подхода
Основное отличие этого подхода заключается в введении двойной онтологии. Первая иерархическая онтология организует физическое обоснование в три основные категории: Пространство, Время и Основная физика, которые далее делятся на 16 подкатегорий. Вторая онтология отображает способности рассуждения через пять воплощенных агентов, включая людей и автономные транспортные средства.
Обучение и тестирование моделей
Архитектура Cosmos-Reason1 использует только декодерный LLM, дополненный визуальным энкодером. Модели обучаются на наборе данных из примерно 4 миллионов аннотированных видео-текстовых пар. Этап обучения с подкреплением использует правила и проверяемые награды, основанные на аннотациях людей и видео-задачах.
Результаты и достижения
Команда разработала три бенчмарка для физического обоснования и шесть для воплощенного мышления. Модели Cosmos-Reason1 показали превосходные результаты по сравнению с предыдущими базовыми уровнями, особенно после этапа RL. Улучшения были зафиксированы в проверке выполнения задач и предсказании следующих действий.
Практические выводы
- Два модели: Cosmos-Reason1-7B и Cosmos-Reason1-56B, специально обученные для задач физического мышления.
- Обучение проводилось в два этапа: SFT и RL.
- Набор данных включает около 4 миллионов аннотированных видео-текстовых пар.
- Использование двух онтологий для структурирования обучения и оценки.
- Повышение производительности наблюдалось по всем бенчмаркам после обучения RL.
Заключение
Инициатива Cosmos-Reason1 демонстрирует, как AI может быть лучше подготовлен к физическому миру. Эти достижения представляют собой значительный шаг вперед в преодолении разрыва между абстрактным рассуждением AI и требованиями систем, которые должны функционировать в непредсказуемых условиях.
Связаться с нами
Если вам нужна помощь в управлении AI в бизнесе, свяжитесь с нами по адресу hello@itinai.ru. Подписывайтесь на наш Telegram для получения актуальных новостей AI.
Пример решения на базе AI
Посмотрите пример решения на базе AI: продажный бот, предназначенный для автоматизации взаимодействия с клиентами.
