Китайская Orca предсказывает состояния мира без единой метки действий — и обходит специализированные системы

Пекинская академия искусственного интеллекта (BAAI) представила Orca — world model, которая предсказывает абстрактные состояния мира вместо токенов или пикселей. Это принципиально иной подход: модель не пытается угадать следующий кадр видео или символ, а моделирует скрытые переменные, описывающие сцену и действия.

Orca обучали на 125 000 часов видеозаписей без единой метки действий — модель сама выучила, какие состояния важны. На пяти задачах робототехники она показала результаты, сопоставимые со специализированной моделью π0.5 от Physical Intelligence, хотя та обучалась на размеченных данных. Это особенно ценно, так как разметка действий — узкое место в робототехнике.

Авторы считают, что Orca может помочь решить хроническую нехватку данных в полевой робототехнике: модель способна учиться на сырых видеопотоках, не требуя трудоёмкой аннотации. Если подход масштабируется, это ускорит разработку универсальных роботов, способных адаптироваться к новым сценариям без переобучения.