Huang Fang Mengxi Zhang Heng Dong Wei Li Zixuan Wang Qifeng Zhang Xueyun Tian Yucheng Hu Hang Li

الملخص

نُقدّم "روبيكس" (Robix)، نموذجًا موحدًا يدمج التفكير الآلي، والتخطيط للمهام، والتفاعل باللغة الطبيعية ضمن بنية واحدة لمعالجة الرؤية واللغة. يعمل روبيكس كطبقة ذكاء عليا في نظام روبوتي هرمي، حيث يُولِّد تلقائيًا أوامر أساسية للتحكم المنخفض المستوى، واستجابات لفظية للتفاعل البشري، مما يمكّن الروبوتات من اتباع التعليمات المعقدة، وتخطيط المهام ذات الأفق الطويل، والتفاعل الطبيعي مع البشر ضمن إطار عمل متكامل من البداية إلى النهاية. كما يُقدّم روبيكس قدرات جديدة، مثل الحوار التفاعلي المبكر، ومعالجة الانقطاعات في الوقت الفعلي، والاستدلال العقلي المُستند إلى السياق أثناء تنفيذ المهام. في جوهره، يستخدم روبيكس استدلال السلسلة من التفكير (Chain-of-Thought Reasoning)، ويتبع استراتيجية تدريب مكونة من ثلاث مراحل: (1) إعادة تدريب مُستمر لتعزيز القدرات الأساسية للتفكير المُجسم، بما في ذلك الفهم ثلاثي الأبعاد للمساحة، والتثبيت البصري، والاستدلال المركّز حول المهمة؛ (2) التدريب المُراقب لتمثيل التفاعل بين الإنسان والروبوت والتخطيط للمهام كسلسلة متكاملة من التفكير والعمل؛ (3) التعلم بالتعزيز لتحسين اتساق التفكير والعمل، وتحقيق التماسك في تنفيذ المهام ذات الأفق الطويل. أظهرت تجارب واسعة النطاق أن روبيكس يتفوّق على النماذج المفتوحة المصدر والتجارية (مثل GPT-4o وGemini 2.5 Pro) في تنفيذ المهام التفاعلية، مُظهِرًا قدرة عالية على التعميم عبر أنواع متنوعة من التعليمات (مثل التعليمات المفتوحة، متعددة المراحل، المقيدة، غير الصالحة، والمنقطعة)، فضلاً عن تنفيذ مهام متعددة تتضمن تدخل المستخدم، مثل ترتيب الطاولات، والتسوق في المتجر، وتصفية الأطعمة حسب الاحتياجات الغذائية.