Gemini Robotics 2 மின்விளக்கைக் கழற்றுவதில் 92% பெறுகிறது, பொருத்துவதில் 36% மட்டுமே; சியாவோமியின் திறந்த ரோபோ மாதிரி, தன் சொந்த நிஜ ரோபோ சோதனைகளில் pi0.5 இன் 40% க்கு எதிராக 75% என்கிறது

கூகுள் டீப்மைண்டின் 2026 ஜூலை 30 Gemini Robotics 2 வெளியீடு, ஒரு மனித வடிவ ரோபோவுக்கான வெற்றி விகித வரைபடங்களுடன் வந்தது: மின்விளக்கைக் கழற்றுவதில் 92%, அதைப் பொருத்துவதில் 36%, குப்பை அள்ளும் கரண்டியைப் பயன்படுத்துவதில் 32%. இவற்றில் எதன் பின்னாலும் எத்தனை சோதனைகள் உள்ளன என்பதை டீப்மைண்டின் பக்கம் சொல்லவில்லை.

ரோபோ அடிப்படை மாதிரி என்பது பயிற்றுவிக்கப்பட்ட ஒரே நரம்பியல் வலையமைப்பு. அது கேமரா படங்களையும் எழுத்து வடிவ அறிவுறுத்தலையும் எடுத்துக்கொண்டு, பல பணிகளுக்கும் பல ரோபோ உடல்களுக்கும் மோட்டார் கட்டளைகளை வெளியிடுகிறது. 2026 இல் எட்டு ஆய்வகங்கள் இத்தகைய மாதிரியையோ அதன் புதுப்பிப்பையோ வெளியிட்டுள்ளன. tuput தடம் காண முடிந்த ஒவ்வொரு முக்கிய எண்ணுக்கும், ஆய்வகமே தன் சொந்த சோதனைகளை நடத்தியது, அல்லது யார் நடத்தினார்கள் என்று அந்தப் பக்கம் சொல்லவில்லை. எந்த எடைகள், அதாவது டெவலப்பர் பதிவிறக்கக்கூடிய பயிற்றுவிக்கப்பட்ட எண்கள், பொதுவில் உள்ளன என்பது ஆய்வகத்துக்கு ஆய்வகம் பெரிதும் மாறுபடுகிறது.

கூகுளின் மனித வடிவ ரோபோ எண்கள், அவற்றை யார் பயன்படுத்தலாம்

Gemini Robotics 2 ஒரு பார்வை-மொழி-செயல் மாதிரி, சுருக்கமாக VLA: அது படங்களையும் மொழியையும் படித்து செயல்களை வெளியிடுகிறது. முழு மனித வடிவ ரோபோக்களையும் இரண்டு கை ரோபோக்களையும் “பாதங்கள் முதல் விரல் நுனிகள் வரை” கட்டுப்படுத்த முடியும் என்று கரோலினா பரடாவின் டீப்மைண்ட் பதிவு சொல்கிறது. அத்துடன் இரண்டு துணை மாதிரிகளும் வெளியாயின. ER 2 என்பது ஒரு வேலையைப் படிகளாகப் பிரித்து VLA ஐ அழைக்கும் திட்டமிடுபவர். On-Device 2 என்பது ரோபோவின் சொந்தக் கணினியிலேயே இயங்கும் சிறிய பதிப்பு.

அப்ட்ரானிக்கின் அப்போலோ 2 மனித வடிவ ரோபோவில் இன்ஸ்பயர் கைகளுடன், மேசையிலிருந்து ஒரு பொருளை எடுப்பதில் 68.4%, அலமாரியிலிருந்து 76.3%, தரையிலிருந்து 45.7% என்று டீப்மைண்ட் தெரிவிக்கிறது. ஷார்ப்பா கைகளுடன் மின்விளக்கைக் கழற்றுவதில் 92%, குப்பைப் பையைக் கட்டுவதில் 44%, ஜிப்லாக் பையில் 40%, மின்விளக்கைப் பொருத்துவதில் 36%, குப்பை அள்ளும் கரண்டியில் 32% என்கிறது. பிடிப்பான்களுடன் கூடிய ஃபிராங்கா டுயோ கைகளில் எடுத்து வைப்பதற்கு 74.2%, கருவிகளைத் தொகுப்பதற்கு 78.9%, துல்லியமாகச் செருகுவதற்கு 89.6%. பல விரல் நுட்பம் இன்னும் சவாலாகவே உள்ளது என்றும், தன் ரோபோக்கள் இன்னும் வேகமாக நகர வேண்டும் என்றும் கூகுள் சொல்கிறது. அந்தக் குறைந்த மதிப்பெண்களுக்குப் பின்னாலுள்ள கை சார்ந்த சிக்கல் ரோபோவின் கை எப்படிப் பிடிக்கக் கற்றுக்கொள்கிறது என்ற எங்கள் கட்டுரையில் விளக்கப்பட்டுள்ளது.

அணுகல் குறுகியது. VLA வும் On-Device 2 உம் முன்கூட்டிய அணுகல் கூட்டாளிகளுக்குச் செல்கின்றன; மாதிரியின் பக்கம் 100 க்கும் மேற்பட்ட நம்பகச் சோதனையாளர்களைக் குறிப்பிடுகிறது. ER 2 ஐ கூகுள் AI ஸ்டுடியோவில் முயற்சிக்கலாம், அங்கு அது முன்னோட்டம் என்று குறிக்கப்பட்டுள்ளது.

ER 2 க்கு கூகுளின் மதிப்பீடுகளிலிருந்து தனி எண்கள் உள்ளன: முன்னேற்ற வகைப்படுத்தலில் 57.4% துல்லியம், இது ஒரு வீடியோ சட்டகத்தை, பணி எவ்வளவு தூரம் முடிந்துள்ளது என்பதன் ஐந்து நிலைகளில் ஒன்றாக வகைப்படுத்துகிறது; தருணம் கண்டறிதலில் 91.3%, இது ஒரு முக்கிய நிகழ்வு நடக்கும் சட்டகத்தைத் தேர்ந்தெடுக்கிறது, சராசரிப் பிழை 0.96 விநாடிகள். ASIMOV-Agentic என்ற பாதுகாப்புத் தர அளவுகோலையும் கூகுள் வெளியிட்டது; ஒரு மனிதர் அருகில் வந்தபோது ER 2 ஒரு மனித வடிவ ரோபோவை நிறுத்தியது என்று சோதனைகளில் தெரிந்ததாகவும் சொல்கிறது.

On-Device 2 இன் மாதிரி அட்டை வலைப்பதிவை விட வெளிப்படையாக உள்ளது. பயிற்சி வரம்புக்கு வெளியே உள்ள பணிகளுக்குப் பொதுமைப்படுத்தும் திறன் குறைவு என்றும், பல மூட்டுகள் கொண்ட ரோபோக்களைக் கட்டுப்படுத்தும் திறன் குறைவு என்றும் அது பட்டியலிடுகிறது. அதன் பாதுகாப்புச் சோதனை நின்றபடி இரு கைகளால் செய்யும் வேலையை மட்டுமே உள்ளடக்கியது; எனவே முழு உடல் அபாயங்கள் அதன் வரம்புக்கு வெளியே உள்ளன. சில மணிநேரங்களில் சேகரிக்கப்பட்ட 200 க்கும் குறைவான எடுத்துக்காட்டுகளைக் கொண்டு ஒரு புதிய இரு கை ரோபோவுக்கு இதைப் பொருத்த முடியும் என்று டீப்மைண்ட் சொல்கிறது.

பிசிகல் இன்டெலிஜென்ஸ்: pi0.7 மற்றும் “பார்த்திராதது” என்பதன் சிக்கல்

பிசிகல் இன்டெலிஜென்ஸ் தன் pi0.7 ஆய்வுக் கட்டுரையை 2026 ஏப்ரல் 16 அன்று arXiv இல் பதிவிட்டது. இந்த மாதிரியில் சுமார் 5 பில்லியன் அளவுருக்கள் உள்ளன: கூகுளின் Gemma 3 இலிருந்து தொடங்கிய 4 பில்லியன் அளவுருக்கள் கொண்ட மொழி-பார்வை அடிப்படை, அத்துடன் 860 மில்லியன் அளவுருக்கள் கொண்ட செயல் தொகுதி.

முக்கிய சோதனை, மடிப்புத் தரவு எதுவும் சேகரிக்கப்படாத UR5e கையில் சட்டை மடிப்பது. pi0.7 க்கு 80% வெற்றியும் 85.6% பணி முன்னேற்றமும் கிடைத்ததாக ஆசிரியர்கள் தெரிவிக்கின்றனர்; அனுபவமிக்க பத்து மனித தொலைவழி இயக்குநர்களுக்கு 80.6% வெற்றியும் 90.9% முன்னேற்றமும். இந்த ஆய்வை நடத்தியவர்கள் ஆசிரியர்களே. பார்த்திராத பணிகளிலோ புதிய பணி-ரோபோ இணைகளிலோ சுமார் 60% முதல் 80% வரை வெற்றி என்று அவர்கள் தெரிவிக்கின்றனர்; ஏற்கனவே பார்த்த பணிகள் பெரும்பாலும் 90% ஐத் தாண்டின. துணி மடிப்பது ஒரு பொதுவான கடினச் சோதனை; அது ஏன் கடினமாகவே இருக்கிறது என்பது ரோபோக்கள் சதுரங்கத்தில் வெல்கின்றன, துணி துவைப்பதில் தோற்கின்றன என்ற எங்கள் கட்டுரையில் உள்ளது.

தங்கள் தரவுத்தொகுப்பின் அளவைக் கருத்தில் கொண்டால், எது பார்த்திராதது என்பதை நிர்ணயிப்பது கடினம் என்று ஆசிரியர்கள் எழுதுகின்றனர். தி டிகோடர் ஓர் எடுத்துக்காட்டைத் தெரிவித்தது: ஒரு ரோபோ சர்க்கரைவள்ளிக் கிழங்கை ஏர் ஃப்ரையரில் வைக்கப் படிப்படியான பயிற்சி தேவைப்பட்டது; பயிற்சித் தரவில் ஒரு ரோபோ ஏர் ஃப்ரையரை மூடும் இரண்டு நிகழ்வுகள் மட்டுமே இருந்தன.

எடைகள் வெளியிடப்படுமா என்பதை அந்தக் கட்டுரை சொல்லவில்லை. tuput படித்த openpi களஞ்சியப் பக்கம் pi0, pi0-FAST, pi0.5 ஆகியவற்றை Apache 2.0 உரிமத்தின் கீழ் பட்டியலிடுகிறது; pi0.7 இல்லை.

ஸ்கில்டின் S1: பார்த்திராத பணிகளில் 66%, சாதாரணப் பயிற்சிக்கு 86%

ஸ்கில்ட் AI இன் வலைப்பதிவு S1 ஐ, ஒரு பணியின் ஒரே வீடியோவைப் பார்த்துவிட்டு, தன் எடைகளில் எந்த மாற்றமும் இல்லாமல் அதைச் செய்யும் மாதிரியாக அறிமுகப்படுத்துகிறது. பணிகள் பத்து நிமிடங்கள் வரை நீளும். 100,000 மணிநேர முன்பயிற்சிக்குப் பிறகு பார்த்திராத பணிகளில், அதே தரவு, அதே கட்டமைப்பு, அதே கணக்கீட்டு வளத்தில் பயிற்றுவிக்கப்பட்ட, மொழியால் தூண்டப்படும் VLA வுக்கு 9% என்பதற்கு எதிராக 66% வெற்றி என்று ஸ்கில்ட் தெரிவிக்கிறது. அளவீடு என்பது நீண்ட பணிகளில் சராசரியாகக் கணக்கிட்ட ஒவ்வொரு படிக்குமான வெற்றி. இரண்டு உள் அளவுகோல் தொகுப்புகள் பயன்படுத்தப்பட்டன என்று ஸ்கில்ட் சொல்கிறது; பணிகளின் அல்லது சோதனைகளின் எண்ணிக்கையைத் தரவில்லை. தோல்வியுற்ற ஓட்டங்களை மீட்டெடுக்க மனித இயக்குநர்கள் தலையிடலாம், பெரும்பாலும் ஒப்பீட்டு மாதிரிக்கு; இல்லையெனில் அது நீண்ட பார்த்திராத பணிகளில் பூஜ்ஜியம் பெற்றது.

ஸ்கில்டின் சொந்த எண்களே வரம்பையும் காட்டுகின்றன. 2,000 செயல்விளக்கங்களில் பிந்தைய பயிற்சி பெற்ற ஒரு VLA, ஸ்கில்ட் சோதித்த புதிய பணியில் 86% ஐ எட்டியது; ஒரு வீடியோவிலிருந்து கிடைத்த 66% ஐ விட அது அதிகம். ஒரு வீடியோ சுமார் 380 செயல்விளக்கங்களுக்குச் சமம் என்று ஸ்கில்ட் மதிப்பிடுகிறது; அந்த எண் இடைச்செருகல் மூலம் பெறப்பட்டது என்றும் சொல்கிறது. அந்தப் பதிவு முன்கூட்டிய அணுகலுக்கான பதிவை வழங்குகிறது, பதிவிறக்கத்தை அல்ல.

S1 இன்னும் மனித வடிவ ரோபோக்களுக்கு விரிவுபடுத்தப்படவில்லை, வீடுகளுக்குத் தயாராகவும் இல்லை என்று தலைமை நிர்வாக அதிகாரி தீபக் பதக் கூறியதாக தி ரோபோட் ரிப்போர்ட் மேற்கோள் காட்டுகிறது. அது இயங்கிய ரோபோக்களை அந்தப் பதிவு பெயரிடவில்லை.

NVIDIA, சியாவோமி, யூனிட்ரீயின் திறந்த எடைகள்

NVIDIA இன் GR00T N1.7 இல் சுமார் 3 பில்லியன் அளவுருக்கள் உள்ளன. அதன் மார்ச் 16 செய்திக்குறிப்பு, அதை வணிக உரிமத்துடன் முன்கூட்டிய அணுகலில் கிடைக்கும் என்று சொன்னது. ஜூலை 7 தொழில்நுட்பப் பதிவு, அது Apache 2.0 இன் கீழ் வெளியிடப்பட்டுள்ளது என்கிறது: எடைகள் ஹக்கிங் ஃபேஸிலும், பயிற்சிக் குறியீடு கிட்ஹப்பிலும் உள்ளன. சுமார் 32,000 மணிநேர நிஜ மற்றும் மனிதரின் தன்னிலைக் காட்சித் தரவு, 8,000 மணிநேர உருவகப்படுத்தல் ஆகியவற்றில் முன்பயிற்சிக்குப் பிறகு இது வந்தது. N1.6 ஐ விட அதன் முன்னேற்றங்கள் ஒப்பீட்டு அளவில் மட்டுமே தரப்பட்டுள்ளன: ஒரு DROID சோதனையில் 61% உயர்வு, SimplerEnv Bridge இல் 5%. அதே மாதிரிக்கான ஹக்கிங் ஃபேஸ் மாதிரி அட்டை NVIDIA திறந்த மாதிரி உரிமத்தைக் குறிப்பிடுகிறது; எனவே உரிமம் குறித்து NVIDIA வின் இரு பக்கங்களும் முரண்படுகின்றன.

NVIDIA வின் மார்ச் வெளியீடு GR00T N2 ஐயும் முன்னோட்டமாகக் காட்டியது; இது DreamZero ஆய்வை அடிப்படையாகக் கொண்டது. DreamZero ஐ ஒரு உலக-செயல் மாதிரி என்று NVIDIA பொறியாளர்கள் விவரிக்கின்றனர்: கணிக்கப்பட்ட வீடியோவையும் செயல்களையும் ஒன்றாக உருவாக்கும் ஒரே வலையமைப்பு. புதிய சூழல்களில் புதிய பணிகளில் முன்னணி VLA களை விட இரு மடங்குக்கும் அதிகமாக வெற்றி பெறுவதாகவும், MolmoSpaces மற்றும் RoboArena தரவரிசைப் பலகைகளில் முதலிடத்தில் இருப்பதாகவும் NVIDIA சொல்கிறது. அந்தக் கூற்றுக்குப் பின்னாலுள்ள தரவை வெளியீடு தரவில்லை; N2 2026 இறுதிக்குத் திட்டமிடப்பட்டுள்ளது.

சியாவோமியின் XR-1 தன் எடைகளுடன் தன் சோதனைகளையும் வெளியிடுகிறது. Apache 2.0 இன் கீழ் உள்ள அதன் README, ரோபோ உடல் இல்லாமல் பதிவு செய்யப்பட்ட 100,000 மணிநேரத்துக்கும் அதிகமான செயல்விளக்கத் தரவில் முன்பயிற்சியையும், பின்னர் பல ரோபோ வகைகளில் 10,000 மணிநேரத்துக்கும் அதிகமான பிந்தைய பயிற்சியையும் விவரிக்கிறது. சோதனைச் சாவடிகள், பிந்தைய பயிற்சிக் குறியீடு, மதிப்பீட்டுக் குறியீடு ஆகியவை பொதுவில் உள்ளன; தொழில்நுட்ப அறிக்கை ஜூலை 16 அன்று arXiv இல் வெளியானது. RoboCasa365 உருவகப்படுத்தல் அளவுகோலில் இரண்டாவது சிறந்த மாதிரியின் 46.6% க்கு எதிராக 57.4% என்று சியாவோமி தெரிவிக்கிறது. ஒரு பணிக்கு 10 மணிநேரத்துக்கும் குறைவான தரவுடன் நான்கு நிஜ ரோபோ பணிகளில், pi0.5 இன் 40% க்கு எதிராக ஒட்டுமொத்தமாக 75% என்கிறது; 40 மணிநேரத்துக்கும் குறைவான தரவுடன் 53% க்கு எதிராக 85%. 40 மணிநேர அமைப்பில் துணிகளை இயந்திரத்தில் ஏற்றுவது 50% க்கு எதிராக 100% ஐ எட்டியது. நிஜ ரோபோ ஒப்பீடு சியாவோமியின் சொந்தம்; ஜூலை 15 நிலவரப்படி RoboCasa365 மற்றும் RoboDojo தரவரிசைப் பலகைகளில் XR-1 முதலிடத்தில் உள்ளது என்று README சொல்கிறது.

யூனிட்ரீ செப்டம்பர் 10 அன்று UnifoLM-WLA-1.0 ஐத் திறந்த மூலமாக்குவதாக அறிவித்தது; மேசைப் பணிக்கும் முழு உடல் பணிக்கும் இது இயக்குகிறது என்று அது சொல்கிறது. அதன் ஹக்கிங் ஃபேஸ் பக்கம் Apache 2.0 இன் கீழ் ஓர் அடிப்படைச் சோதனைச் சாவடியைப் பட்டியலிடுகிறது; ஆனால் tuput படித்தபோது மாதிரி அட்டை வெறுமையாக இருந்தது, எனவே பணி எண்கள் எதுவும் கிடைக்கவில்லை. யூனிட்ரீயின் மனித வடிவ வன்பொருளும், அது ரோபோ வெற்றிடக் கருவிகளுடன் பகிர்ந்துகொள்வதும் இரண்டையும் ஒப்பிடும் எங்கள் கட்டுரையில் உள்ளன.

ஃபிகரும் அகிபாட்டும்

2026 ஜனவரி 27 அன்று அறிமுகப்படுத்தப்பட்ட ஃபிகரின் Helix 02, ஃபிகர் சொல்வதன்படி, 61 செயல்களுடன் நான்கு நிமிட பாத்திரம் கழுவும் இயந்திர வேலையை மறுதொடக்கம் இல்லாமல் செய்கிறது. அதன் சமநிலை அடுக்கு, 1,000 மணிநேரத்துக்கும் அதிகமான மனித இயக்கத் தரவில் பயிற்றுவிக்கப்பட்ட 10 மில்லியன் அளவுருக்கள் கொண்ட வலையமைப்பு. அந்தப் பக்கம் வெற்றி விகிதங்கள் எதையும் தரவில்லை; விரல் அளவிலான பணிகளை Figure 03 வன்பொருளுடன் இணைக்கிறது, அதன் விரல் நுனி உணரிகள் மூன்று கிராம் அளவு சிறிய விசைகளைக் கூட உணர்கின்றன. முடிவுகள் ஆரம்ப நிலையில் உள்ளவை என்று ஃபிகர் சொல்கிறது. இத்தகைய மனித வடிவ ரோபோக்கள் கட்டணப் பைலட் திட்டங்களில் என்ன செய்துள்ளன என்பது மனித வடிவ ரோபோக்கள் பணிக்குச் செல்வது பற்றிய எங்கள் செய்தியில் உள்ளது.

ஏப்ரல் 9 அன்று அறிவிக்கப்பட்ட அகிபாட்டின் GO-2 க்கு, LIBERO உருவகப்படுத்தல் தொகுப்பில் 98.5%, LIBERO-Plus இல் 86.6%, உருவகப்படுத்தல் மட்டுமே கொண்ட பயிற்சிக்குப் பிறகு நிஜ உலக மாற்றத்தில் 82.9% என்று தி ரோபோட் ரிப்போர்ட் குறிப்பிடுகிறது. மூன்றும் அகிபாட்டின் சொந்த எண்கள்; GO-2 இன் எடைகள் பொதுவில் உள்ளனவா என்பதை அந்தக் கட்டுரை சொல்லவில்லை.

சதவீதங்களை ஏன் அருகருகே வைக்க முடியாது

LIBERO இல் 98.5% என்பது நிலையான ஓர் உருவகப்படுத்தல் தொகுப்பில் பெற்ற மதிப்பெண். குப்பை அள்ளும் கரண்டியில் 32% என்பது 22 மூட்டுகள் கொண்ட கைகளுடைய ஒரு நிஜ மனித வடிவ ரோபோ. ஸ்கில்டின் 66% என்பது நீண்ட பணிகளில் ஒவ்வொரு படிக்குமான வெற்றியின் சராசரி. இவற்றில் எந்த இரண்டும் ஒரே பணியையோ ஒரே ரோபோவையோ ஒரே மதிப்பெண் விதியையோ பகிரவில்லை; தங்களை ஒப்பிட்டுக்கொள்ளும் ஆய்வகங்களும் எதிராளியாக pi0.5 ஐயோ தங்கள் மாதிரிகளின் முந்தைய பதிப்புகளையோ பெயரிடுகின்றன.

2026 இறுதிக்குள் GR00T N2 கிடைக்கும் என்று திட்டமிடப்பட்டுள்ளதாக NVIDIA வின் மார்ச் வெளியீடு சொல்கிறது.