קלוד ורובוטיקה: מבחן היכולות של מודלי שפה

שמואל ברמן, מייקל אילי, ג'יה דנג, ודניאל פרימן

האם החוזקות של מודלי שפה ניתנות להעברה לרובוטיקה, תחום הדורש שילוב של יכולות לוגיות והבנה תלת-ממדית מדויקת? האם מודל בינה מלאכותית (AI) יכול לתפוס סצנה, להבין את מצבו של רובוט מסוים, ולהוציא פקודות שישפיעו באופן אמין על העולם הפיזי?

ערכנו סדרת ניסויים כדי לברר זאת. נתנו למספר מודלי שפה שליטה על מגוון של גופים רובוטיים – כולל צעצועי בקרה קלאסיים, רובוט מרובה-רגליים (quadruped) ורובוט דמוי-אדם (humanoid) בסביבת סימולציה, זרוע רובוטית, ו-Unitree Go2 אמיתי (הרובוט מרובה-הרגליים של Project Fetch). הענקנו למודלים מגוון דרכי שליטה, שהשתנו ברמת ההפשטה שלהן (כלומר, כמה "גבוהות רמה" ההוראות): החל מפקודה ישירה של מומנטים במנועים (הקצה הפחות מופשט), דרך כתיבת קוד בקרה, אימון בקר מאפס באמצעות למידת חיזוק, ועד מתן הוראות היגוי ברמה גבוהה למדיניות רובוטית מאומנת מראש (רשת נוירונית נפרדת שהופכת פקודות ברמה גבוהה לתנועות מפרקים מתואמות). בדקנו את ביצועי המודלים בשלושה תחומים: בעיות בקרה קלאסיות (כמו איזון מטוטלת), תנועה וניווט (הבאת רובוטים בעלי רגליים לאיזון, הליכה ותנועה במרחב), ומניפולציה (שימוש בזרוע רובוטית לאחיזה והזזת אובייקטים).

מודלים משתפרים במהירות בתחום הרובוטיקה, אך מצאנו שיכולתם תלויה במידה רבה באופן חיבורם לרובוט – באיזו משיטות הבקרה השתמשו. כאשר הם נאלצים להפעיל את המפרקים בעצמם, הם לרוב נכשלים. אך כאשר הם מפקחים על בקר מאומן מראש או משתמשים בכלי התמצאות פשוטים, הם יכולים להשלים משימות ניווט ומניפולציה אמיתיות. צורות מסוימות של התגלמות נותרו מסורבלות וקשות לשליטה, אך מודלים חדשים יותר, במיוחד, חזקים משמעותית בהתאמת האסטרטגיות שלהם ובהמרת הבנה ויזואלית ותחושתית לפעולות מתאימות על פני תחומים שונים.

לכך יש השלכות חשובות על הפיתוח והפריסה הבטוחים של מודלי שפה. מודלי חזית של היום אינם יכולים לשלוט ברובוטים דמויי אדם ללא מדיניות מאומנת מראש, אך מודלים חדשים יותר רשמו התקדמות אמיתית במניפולציה ישירה ובקרת מדיניות ברמה גבוהה על פני התגלמויות דמויות אדם ומרובות רגליים שבדקנו. אנו מצפים שמודלים עתידיים יהיו טובים אף יותר. במילים פשוטות: מודל צ'אט למטרות כלליות ללא אימון רובוטיקה יכול כבר, בריצה טובה, לכתוב ולהוריד כלים משלו כדי להוביל באיטיות רובוט מרובה-רגליים במבוך או להרים צלחת מדלפק ולהניח אותה על כיריים, והפער באמינות מצטמצם עם כל דור מודלים.

סיכום ממצאים

• ציון הרובוטיקה של מודל תלוי באותה מידה בגוף הרובוט ובממשק הבקרה, כמו שהוא תלוי במודל עצמו. אותו מודל יכול להיראות חלש או חזק בהתאם לשאלה האם הוא קובע מומנטים של מנועים באופן ישיר, כותב בקר Python, מפקח על מדיניות מאומנת מראש, או מאמן מדיניות משלו באמצעות למידת חיזוק – כאשר כל אחת מהדרכים הללו מהווה דרך אחרת עבור המודל להשלים את אותה המשימה. עבור הגופים המאתגרים ביותר לשליטה (הרובוט דמוי האדם בפרט), מודלי היום משיגים אחיזה רק בממשקי ההפשטה הגבוהים יותר, שבהם מדיניות מאומנת מראש מטפלת בפיזיקה ברמה נמוכה.
• מודלים משתפרים ברובוטיקה, אך באופן לא אחיד. שיפורי הביצועים העקביים ביותר בין דורות המודלים הם בממשקי הרמה הגבוהה. גם בקרה ישירה ברמה נמוכה משתפרת, אך הרבה פחות בעקביות: חלק מהמודלים החדשים משתפרים בבירור על פני קודמיהם, אך אחרים אינם.
• במשימות תנועה, מודלי חזית יכולים כעת לבצע בקרה מוגבלת אך משמעותית על הגוף כולו. מודלים חדשים יותר מראים התקדמות בבקרת רמה נמוכה של עמידה, איזון והליכה של רובוט מרובה-רגליים – ומראים רווחים חלשים אך מדידים באיזון רובוט דמוי אדם. באמצעות מדיניות מאומנת מראש וכלי תפיסה, הם יכולים אפילו לנווט בסביבות פשוטות. עם זאת, מודלים עדיין נכשלים במשימות הדורשות זיכרון מרחבי יציב, יכולת התמצאות עצמית, או תוכניות "לולאה פתוחה" ארוכות.
• עם שיטות מניפולציה ברמה נמוכה, מודלים מתחילים לייצר התנהגות פיזית מקומית שימושית, אף שהצלחה מלאה במשימה נותרה נדירה. מודלים חדשים יותר טובים יותר בהגעה לאובייקטים, יצירת מגע ואחיזה. עם זאת, הם משלימים את המשימה המלאה רק באחוז קטן מהזמן (בין 0 ל-5.5%).
• עם שיטות מניפולציה ברמה גבוהה, מודלים חדשים יותר מצליחים יותר בשימוש במדיניות מאומנת מראש. מבני VLA (Vision-language-action) – מדיניות מאומנת מראש הממפה תמונות מצלמה והוראה ישירות לתנועות זרוע רובוטית – מעלים את ביצועי המניפולציה של המודלים הרבה מעבר לבקרה ישירה. מודלים חדשים יותר הופכים גם למפקחים טובים יותר ויותר על מדיניות זו: הם טובים יותר בזיהוי מתי פעולה מוצעת תיכשל, פחות נוטים להיכנע ל-VLA ללא הבחנה, ולכן מתקדמים יותר במשימות מניפולציה. פיקוח על המדיניות עדיין גובה מחיר מסוים בביצועים – המערכת המשולבת פועלת פחות טוב מה-VLA הפועל לבדו – אך המפקחים הטובים ביותר מצמצמים כעת את רוב הפער. זה לא אומר שהפיקוח חסר תועלת: מודלים מוקדמים הורסים את רוב ערך המדיניות, הטובים ביותר מבין המודלים הנוכחיים מחזירים את רובו, ובמשימות שה-VLA אינו יכול לבצע לבדו, המודלים החזקים ביותר כבר מספקים שיפור נטו.

הגדרות פשוטות

אנו מתחילים בהערכת יכולות רלוונטיות לרובוטיקה על סט משימות בקרה פשוטות, כולל בעיות למידת חיזוק (RL) קלאסיות כגון איזון מטוטלת הפוכה ושליטה על "הופר".

למרות שאלו סביבות פשוטות, אנו מאמינים שהן דורשות מהמודל להסיק לגבי דינמיקה, סיבה ותוצאה לאורך זמן, ופיזיקה בסיסית – יכולות המהוות מבשרי הבנה פיזית כללית יותר. בסביבות אלו בעלות מימד נמוך, נתונים סנסוריים מספקים כמעט את כל המידע הנדרש, ומאפשרים לפתור אותן עם מעט קלט חזותי או ללא קלט חזותי כלל. סוג זה של בקרה במימד נמוך מתעורר גם בכמה הגדרות בעולם האמיתי, כגון ייצוב מצלמה.

אנו מעריכים מודלים באמצעות ארבעה ממשקי בקרה, כולם במנוע הסימולציה Mujoco. (לאורך הכתבה, "בקרה קלאסית" מתייחסת למשפחת משימות הצעצועים הזו; "בקרה ישירה" מתייחסת לאחד מארבעת הממשקים שלמטה – הם צירים בלתי תלויים.) במה שאנו מכנים בקרה ישירה, המודל בוחר פעולות ברמה נמוכה בכל שלב, כגון מומנטים או כוחות. בבקרה תכנותית, המודל כותב בקר Python שממפה תצפיות לפעולות במהלך הביצוע. בבקרת מדיניות, המודל יכול לגשת למדיניות מאומנת מראש ולהוציא פקודות ברמה גבוהה, לרוב בשפה טבעית. בפיקוח למידת חיזוק, המודל מאמן מדיניות ולאחר מכן פורס את המדיניות הנלמדת בזמן אמת.

כדי לקרב חסם עליון לביצועי בקרה ישירה, אנו משהים את הסימולטור בין קריאות LLM כך שהשהיית זמן אמת לא תשלוט בתוצאות. ללא זה, ניסויים ישירים רבים היו נכשלים מסיבה טריוויאלית: המודלים פשוט היו מגיבים לאט מדי כדי לשלוט בסביבה. אנו מצפים שמהירות ההסקה תמשיך לעלות, והגדרה זו מספקת תצוגה ברורה של יכולת המקרה הטוב כפי שהיא מתפתחת.

עיצבנו את ההערכה שלנו גם כדי להתחשב בעובדה שמשימות RL קלאסיות רבות מופיעות לעיתים קרובות במאגרי נתונים לאימון מוקדם, מה שעלול להגביל את מידת הכלליות של מסקנותינו לסביבות חדשות. כדי לטפל בכך, שמרנו על משימות המטוטלת ההפוכה וההופר כמשימות בקרה אך גם הוספנו משימה חדשה המבוססת על מכונות פינבול ארקייד. ב-TwinFlipper, הסוכן שולט על סט פליפרים ומחפש למקסם את זמן שהיית הכדור באוויר – סך הזמן המצטבר שהכדור נשאר מעל סף גובה מוגדר מבלי לגעת בדבר – לפני שהוא נופל מתחת לפליפרים. למרות שפתרון נאיבי הוא פשוט להטיח את הכדור למעלה, ניתן להרוויח הרבה יותר זמן באוויר על ידי הקפצת הכדור בזהירות למעלה ולמטה באופן מבוקר. משימה זו נועדה להיות דוגמה מייצגת למערכת כאוטית ודינמית עם מעט דרגות חופש, ואף אחד מהמודלים לא ראה אותה קודם לכן.

בעוד שביצועים במשימות בודדות הם "רועשים" (noisy), מבט רחב יותר על פני כל מדדי הביצועים הקלאסיים מראה שיפור עקבי בין-דורי. Claude Opus 4.6 ו-Opus 4.5 עולים בביצועיהם על שתי הגרסאות המוקדמות יותר כמעט בכל המשימות למעט בקרה ישירה ב-TwinFlipper, שבה כל המודלים מציגים ביצועים ירודים, ומהירות הופר, שהיא המשימה "הרועשת" ביותר שלנו. למרות זאת, שני המודלים האחרונים הללו מראים שיפור משמעותי בבקרת קוד, למידת חיזוק, ובמידה פחותה גם בבקרה ישירה.

התוצאות שלנו מצביעות על כך שחלק גדול מהשיפור נובע מיכולת טובה יותר להסתגל לאחר למידה מתוצאות קודמות ולשנות אסטרטגיה בהתאם. במשימות עם נקודת סיום טבעית (בעיקר TwinFlipper ו-Pendulum), ביצועים ממוצעים בניסיון הראשון דומים למדי בין המודלים, ו-Claude Opus 4 ו-Opus 4.1 עולים במעט מאוד על מודלים מאוחרים יותר במדד זה. הרווחים הגדולים יותר מופיעים בניסיונות עוקבים, שבהם מודלים מאוחרים יותר משתפרים באופן משמעותי הרבה יותר. Claude Mythos Preview הוא יוצא דופן בולט לכך; רבים מניסיונותיו הראשונים חזקים ויציבים יותר ב-Pendulum.

כמעט כל המודלים הציגו ביצועים גרועים יותר בעת אימון מדיניות RL מאשר בעת יצירת בקר פייתון. יוצא הדופן הוא TwinFlipper, שבו GPT-5.4 היה המודל היחיד שלמד באופן עקבי מדיניות מוכשרת. זה בולט לאור ביצועיו הירודים יחסית תחת ממשקי הבקרה האחרים. ב-Pendulum ו-Hopper התמונה שונה: Mythos Preview מוביל, GPT-5.4 קרוב מאחור, והפיזור בין המודלים צר בהרבה. על פני כל שלוש המשימות, מודלי Claude חדשים יותר מראים שיפור משמעותי על פני הישנים יותר.

במשימות עם מטרות שקשה יותר להגדירן, כגון Hopper ו-TwinFlipper, ביצועי ה-RL משתפרים אך עדיין מפגרים מאחורי בקרת קוד. זה לא מפתיע: שהמודל יאמן מדיניות RL משלו דורש פתרון בעיית הגדרה מורכבת, החל מהגדרת הסביבה והתגמול ועד לניהול מחזורי איטרציה ארוכים יותר ובחירות תכנוניות תלויות הדדית רבות. אף על פי שלא כל דור של קלוד מראה את אותה מידה של שיפור, המגמה הרחבה ברורה: יכולות ה-RL מתקדמות לאורך זמן.

בקרה ישירה גרועה, אך משתפרת

תנועה ברמה נמוכה

השאלה הבאה היא האם הרווחים שאנו רואים בבקרה פשוטה מתורגמים לרובוטים עם דרגות חופש רבות יותר. כדי לבדוק זאת, הערכנו תנועה ברמה נמוכה על שתי פלטפורמות מייצגות: הרובוט דמוי אדם Unitree G1 בעל 29 דרגות חופש והרובוט מרובה-הרגליים Unitree Go2 בעל 12 דרגות חופש. אנו מציינים שיש גם תקרת תרומה גבוהה יותר וגם פרופיל סיכון גדול יותר בתחום זה בהשוואה למשימות צעצוע. קשה לאמן מדיניות יציבה לרובוטים דמויי אדם ומרובי-רגליים, אך לאחר שאומנו הם נפרסים במצבים שבהם התנהגות לא מתואמת עלולה לגרום לנזק פיזי חמור.

אלה רובוטים מורכבים, ושליטה בהם באופן מספרי היא מאתגרת. במקום לשלוט בכמה משתנים מקושרים כמו במשימות פשוטות, המודל חייב לתאם מפרקים רבים תוך פיצוי מתמשך על כוח כבידה, אינרציה וכוחות מגע. זהו תחום קשה מאוד: אפילו טעויות זעירות יכולות לערער את יציבות השלדה כולה אם הן לא מתוקנות באופן מיידי.

עם קושי זה בחשבון, אנו מעריכים את המודלים בשתי משימות ליבה: עמידה ממצב קריסה, ושמירה על איזון זמן רב ככל האפשר מנקודת התחלה עומדת. בתחילה חקרנו משימות ותנאי התחלה מורכבים יותר, אך הגדרות אלו היו באופן כללי מחוץ להישג ידם של מודלי חזית. עם זאת, התוצאות בניסויי הרובוט מרובה-הרגליים היו מעודדות, ולכן הערכנו גם את היכולת להוביל את רובוט ה-Go2 קדימה באופן תכנותי.

אנו משתמשים בשלושה ממשקי בקרה: בקרה ישירה, בקרה תכנותית ולמידת חיזוק (RL). בדומה למשימות הקלאסיות, בהגדרות הבקרה הישירה, אנו משהים את הסימולטור בין קריאות LLM כך שהשהיית זמן אמת לא תהפוך לגורם המגביל. בקרה בזמן אמת הייתה דורשת בערך 83 הרץ; הסקת מודל ללא חשיבה פועלת כיום בקצב של כ-0.2-0.4 הרץ, כך שסגירת פער זה דורשת שיפור השהיה של כשני סדרי גודל.

בעוד שבקרת תנועה ישירה ברמה נמוכה של רובוט מרובה-רגליים קשה עבור כל המודלים, רבים בקיאים בבקרה תכנותית. Opus 4.6, 4.7 ו-Claude Mythos Preview מצליחים לאזן את רובוט ה-Go2 במשך כמעט שתי שניות מלאות, מספיק זמן כדי להדגים איזון יציב אך מהיר מספיק כדי לבצע איטרציות, עם בקרת מומנט-כוח ובקר פייתון. ל-Gemini 3.1 ו-GPT-5.4 יש בקרים חזקים באופן דומה, אף שהם מפגרים הרחק מאחור כאשר שולטים במנועים באופן ישיר. תחת בקרה ישירה, Opus 4.6 יכול לשמור על איזון הרובוט אך אינו יכול להעמיד אותו בהצלחה.

הרובוט דמוי האדם G1 הוא הפלטפורמה הקשה ביותר במחקר שלנו, והתוצאות היו חלשות אך משתפרות. בניסויים שלנו, אף מודל לא העמיד בהצלחה את הרובוט ממצב קריסה אפילו פעם אחת. למרות זאת, נרשמה התקדמות מדידה בין Opus 4 ל-4.7 באיזון הרובוט מרגע שהוא כבר במצב עמידה.

הערכנו גם עד כמה מודלים יכולים לאמן מדיניות תנועה. לשם כך, סיפקנו להם פלטפורמת אימון עם גישה ל-GPU וסביבת ויזואליזציה, ואפשרנו להם לשלוט בפונקציית התגמול, סביבת האימון וארכיטקטורת המודל. במהלך ארבע שעות, GPT-5.4 ו-Claude Mythos Preview אימנו באופן עקבי את מדיניות ה-RL המוכשרת ביותר, ובכך אישרו את תוצאותינו הקודמות במשימות RL קלאסיות. אנו רואים גם התקדמות בתוך משפחת קלוד, כאשר הביצועים משתפרים מ-Opus 4 ל-Opus 4.6 ומשתפרים עוד יותר עם Mythos Preview.

יש לפרש את כל התוצאות הללו באופן מתאים. לדוגמה, אם נאקראי את המיקום ההתחלתי של רובוט מרובה-רגליים כך שיכלול מצבים על גבו, Opus 4.6 אינו מסוגל להעמיד אותו אפילו פעם אחת. בנוסף, איפסנו את הסביבה בין ניסיונות האיזון; רק מעט מודלים אי פעם משיגים איזון יציב בניסיון הראשון שלהם. עם זאת, ברור שמודלי חזית מפתחים יכולות תנועה.

מניפולציה ברמה נמוכה

מניפולציה היא יכולת רובוטית מרכזית נוספת עם שימושיות ורלוונטיות בטיחותית ברורות, ולכן אנו לומדים אותה לצד תנועה. במניפולציה, אנו מתכוונים לשימוש באחיזן או זרוע רובוטית כדי להזיז ולכוון מחדש אובייקטים בסצנה באופן מבוקר. אנו מעריכים יכולת זו באמצעות זרוע Franka Panda בעלת 7 דרגות חופש ובסיס מקובע, בסביבות דמויות מטבח המותאמות ממדד הביצועים LIBERO. אלו משימות דמויות מטבח, כגון "הנח את הצלחת על הכיריים."

מכיוון שהזרוע מקובעת במקומה, אין צורך באיזון כפי שנדרש במשימות תנועה. במקום זאת, האתגר הוא שליטה על מיקום, כיוון ומגע בדיוק מספק להשלמת המטרה. ניסיון מוצלח דורש מהמודל לזהות את האובייקט הנכון, להזיז את הזרוע למקומה, ליישר את האחיזן כראוי, לבצע אחיזה יציבה, ולאחר מכן לשנע ולהניח את האובייקט מבלי לאבד שליטה. טעות בכל שלב עלולה למוטט את כל הניסיון, אף שלרוב ניתן לתקן זאת.

אנו בוחנים הגדרת בקרה ישירה פשוטה שבה המודל מוציא פקודות תנועה שבע-ממדיות סטנדרטיות לקצה המבצע (end-effector). לאחר כל תנועה, הוא מקבל תמונות של הסצנה יחד עם קריאות מחיישני הכוח של האחיזן, בדומה למה ש-VLA היה מקבל. הוא לעולם אינו מקבל את קואורדינטות האובייקטים ישירות, ולכן עליו לזהות תחילה את האובייקטים הרלוונטיים באמצעות ראייה ולאחר מכן להשתמש במידע זה כדי להחליט כיצד היד צריכה לנוע בהמשך.

מכיוון שלזרוע בעלת בסיס מקובע אין מגבלת איזון בזמן אמת, הפער בין החסם העליון של הסימולטור המושהה שלנו לבין ביצועים בזמן אמת קטן בהרבה כאן מאשר עבור רובוטים בעלי רגליים. זרוע נייחת בשליטת LLM היא כבר פריסה סבירה (אוטומציה במעבדות, ייצור קל), ולכן אפילו רווחים צנועים במניפולציה הם בעלי רלוונטיות בטיחותית ישירה: מודל שיכול לאחוז, להזיז ולמקם מחדש אובייקטים באופן אמין כבר יש לו יכולת משמעותית לפעול בעולם הפיזי כאשר ניתנת לו גישה למערכת רובוטית.

השיפורים ברורים ביותר בשלבי הביניים של כל ניסיון מניפולציה. בהשוואה ל-Claude Opus 4 ו-Opus 4.1, ל-Opus 4.6 יש סיכוי גבוה בהרבה להנחות את הזרוע לאובייקט היעד, ליצור מגע איתו, ולאחוז בו. מודלים עדיין אוחזים בחפץ לעיתים רחוקות יחסית, אך מודלים מאוחרים יותר נוטים להתקדם יותר לפני הכישלון ולהשיג התקדמות כללית גבוהה יותר במשימה, כפי שנמדד על ידי ציון משולב פשוט (ראו נספח לפרטים). מעניין לציין, שלמרות ש-Claude Mythos Preview נוגע ואוחז פחות, הוא מצליח להשלים משימות בשיעור גבוה משמעותית מהמודל הבא הטוב ביותר, Opus 4.6, מכיוון שהמודל האחרון עושה יותר טעויות והתאמות מאשר הראשון.

למרות קצב ההתקדמות בין דורות המודלים, הצלחה מלאה במשימה עדיין נדירה; המודלים הטובים ביותר אינם יכולים לבצע משימות מורחבות באופן עקבי ובכוונה. למרות זאת, יכולתם להשפיע על העולם הפיזי משתפרת בדרכים גלויות, ובמקרים נדירים הם אכן מצליחים מקצה לקצה. רמת יכולת זו עשויה גם להספיק כדי להפוך אותם לשימושיים כמקור לנתוני אימון רובוטיים, ואנו מצפים שעבודות עתידיות יחקרו אפשרות זו.

כלים מגשרים על חלק מהפער

כאשר למודלים ניתנת גישה להפשטות ברמה גבוהה יותר – מדיניות תנועה מאומנת מראש, VLAs – הביצועים משתפרים באופן מהותי. אך תקרת הביצועים עדיין נמוכה.

תנועה ברמה גבוהה

כדי לבדוק תנועה ברמה גבוהה, אפשרנו למודל לשלוט ברובוט מרובה-הרגליים באמצעות מדיניות ג'ויסטיק מאומנת מראש. במקום להוציא פקודות מומנט, הוא שולח פקודות מהירות (קדימה, לרוחב, סיבוב בציר האנכי) למדיניות הליכה, ומקבל מעת לעת פריים מצלמת RGB הפונה קדימה. מדיניות כזו זמינה באופן נרחב עבור רוב הרובוטים המסחריים מרובי-הרגליים.

בנינו חבילת משימות של אחד עשר משימות ניווט והסקת מסקנות מרחבית, החל מחיפוש יעד פשוט (find_x: ללכת לשולחן עם האיקס הכחול) דרך חיפוש, מבוכים ורצפי נקודות ציון, ועד משימות הבוחנות במפורש ניטור עצמי (drift_detection: זיהוי שהפקודות שלך משתבשות בשקט) ובניית מודל מנטלי מרחבי (explore_report: לשוטט בזירה, ואז לענות על שאלות פריסה מהזיכרון). משימה אחת, oneshot_course, מסירה לחלוטין את המצלמה ונותנת למודל מפה מלמעלה, ומבקשת ממנו לרשום מראש את כל רצף הפקודות בפעם אחת – ובכך לבודד תכנון מתפיסה. כל משימה מדורגת לפי הצלחה או התקדמות מנורמלת, ואנו מדווחים על ציון משולב על פני כל אחד עשר, מותאם בין 0 ל-100 (נספח).

התנועה ברמה גבוהה משתפרת בשתי קפיצות ברורות בדורות המודלים, בין Claude Opus 4.1 ל-Opus 4.5 ובין Opus 4.7 ל-Mythos Preview. Opus 4.5 דרך Opus 4.7 נמצאים במידה מסוימת על פלטו.

פלטו זה הוא תוצאה של ממוצע: ברוב המשימות הבודדות, כל מודל Claude עוקב מתקדם – אך לא תמיד באותו כיוון בכל משימה. בהשוואת Opus 4.7 ל-Opus 4.6 בהגדרות החשיבה בעלות הביצועים הטובים ביותר שלהם משימה אחר משימה, הירידה הגדולה ביותר היא ב-invisible_walls (3% לעומת 15%), שבה המודל חייב לתכנן מחדש סביב מכשולים שאינו רואה. בכיוון השני, Opus 4.7 מרוויח +24 נקודות ב-turn_correction ו-+11 נקודות ב-return_home. אנו מפרשים את השינוי מ-Opus 4.6 ל-Opus 4.7 כשינוי בדפוסי כשל, כמו תיקון עצמי בלולאה סגורה טוב יותר, ותכנון מחדש חלש יותר תחת הסתרה.

בדקנו מספר כלים בניסיון לסייע למודל בהבנה חזותית וכיוונית, ובאופן כללי בתפיסה. ניסינו לתת למודל צלב כיוון ירוק במרכז המצויר על תצוגתו האגוצנטרית, מפת חום עומק שקופה למחצה הממוזגת עם תצוגתו, מצלמת מעקב מגוף שלישי המחליפה את התצוגה הקדמית, ו"מצפן" שפשוט מספק למודל את כיוונו במעלות. כלי המצפן גובר בקלות על האחרים, כפי שיפורט בהמשך כאשר נבחן את צווארי הבקבוק.

מסקנה: בשיתוף עם הליכה מאומנת מראש, מודלים עדכניים יכולים להשלים משימות ניווט פשוטות אך נכשלים באופן אמין במשימות הדורשות ניהול זיכרון מרחבי מתמשך או תכנון "לולאה פתוחה" ארוכה. צוואר הבקבוק הוא בעיקר מעקב אחר מיקום הרובוט, וחתיכות מידע קטנות יכולות לתקן חלק מכשלי התפיסה.

מניפולציה ברמה גבוהה

אנו מעריכים גם האם מודלי חזית יכולים לעשות שימוש יעיל ב-VLA מאומנים מראש בהגדרות מניפולציה. תוצאות המניפולציה הישירה שלנו מראות שהיכולת ללא עזרים עדיין מוגבלת, גם אם היא משתפרת במהירות. עם זאת, מודל בעל יכולות צנועות בכוחות עצמו עשוי להפוך ליעיל הרבה יותר כאשר הוא משולב עם מדיניות מאומנת מראש.

כדי לחקור זאת, אנו משלבים את המודל עם מדיניות VLA באותן משימות מניפולציה מ-LIBERO. בהגדרה זו, ה-VLA מציע פעולות ברמה נמוכה, ומודל השפה מחליט מה לעשות איתן. הוא יכול לקבל את הפעולה המוצעת, להתאים אותה, או להחליף אותה לחלוטין. זה יוצר אתגר שונה מאוד מבקרה ישירה שבה האתגר המרכזי הוא להחליט אילו פקודות לקבל, ואילו שגויות ודורשות שינוי. אנו משתמשים ב-MolmoAct VLA בכל הניסויים.

במדד הביצועים הסטנדרטי של 40 משימות LIBERO, ה-VLA מרחיב דרמטית את היכולת יחסית לבקרה ישירה. אפילו מודלים חדשים יותר משלימים לעיתים רחוקות משימות LIBERO מקצה לקצה תחת בקרה ישירה, אף שהם כמעט תמיד יכולים להשיג התקדמות חלקית כלשהי. עם זאת, כאשר סוכן ה-LLM רשאי במקום זאת להנחות VLA – על ידי מתן הוראות וקבלת, שינוי או החלפה של הפעולות המוצעות על ידו – הן הצלחת המשימה והן ההתקדמות הכוללת גדלות באופן משמעותי עבור כל מודל. עם שיפור זה, אפילו מודלים ישנים יותר משיגים שיעורי הצלחה משמעותיים.

אנו מציינים שכל מודל שנבדק עדיין מציג ביצועים גרועים משמעותית ממה ש-MolmoAct משיג בכוחות עצמו. באופן מפתיע, העונש אינו הקטן ביותר עבור המודל החזק ביותר: Claude Mythos Preview מציג ביצועים נמוכים יותר מ-Opus 4.5 ו-Opus 4.6 כאן, מכיוון שהוא דורס את ה-VLA לעיתים קרובות יותר מהנדרש, ובכך בוטח בשיקול דעתו במקרים שבהם פשוט היענות הייתה מובילה להצלחה. כדי להבין מאין מגיע עונש שליטה זה, אנו מודדים באיזו תדירות הסוכן פשוט עוקב אחר הפעולה המוצעת של ה-VLA. אנו סופרים פקודה ככזו שנאכפה רק כאשר מודל השפה מעביר את הפעולה השבע-ממדית המלאה של זרוע הפנדה בדיוק כפי שניתנה; כל עריכה, החלפה או השמטה נחשבת לסטייה. זה מאפשר לנו לדייק אם העצה הכללית הנכונה של ה-VLA מתעלמת.

התוצאות מראות שסדרת מודלי קלוד עוקבת אחר הוראות ה-VLA באופן משמעותי יותר מ-GPT-5.4 ו-Gemini 3.1 באופן כללי. הן מראות גם שמודלים חדשים יותר, Opus 4.5 ו-4.6, עוקבים אחר מרבית ההוראות מכל המודלים שנבדקו ב-LIBERO 40.

תוצאות אלו אינן מאפשרות לנו להבחין בין מודל צייתן לבין מודל בעל שיקול דעת טוב. כדי להעריך זאת, בדקנו האם מערכות אלו יכולות להשתמש, ואולי לתקן, VLA לא אמין. לשם כך, יצרנו שלוש משימות חדשות דמויות LIBERO הלקוחות מסצנות היעד המקוריות של LIBERO אך לא נכללות במדד הביצועים; בניסויי הבסיס שלנו, MolmoAct אינו מסוגל להשלים אף אחת משלוש המשימות.

מודלי קלוד מוקדמים יותר, כמו גם GPT-5.4, ממשיכים לעקוב אחר ה-VLA באופן יחסי קרוב גם בהגדרה זו שבה פקודות ה-VLA דורשות תיקונים. לעומת זאת, Opus 4.5, Opus 4.6 ו-Opus 4.7 נכנעים לו הרבה פחות. הם טובים יותר בזיהוי מתי המדיניות נכשלת, גם אם הם עדיין אינם מסוגלים לתקן את הכשלים הללו באופן ישיר. למרות זאת, Claude Opus 4.5 ו-Opus 4.6, יחד עם Gemini 3.1, עולים בביצועיהם על MolmoAct לבדו. מעניין לציין, Opus 4 ו-Opus 4.1 נכנעים ל-VLA לעיתים קרובות יותר מאשר Opus 4.5 ו-Opus 4.6 בהגדרה חדשה זו, ובכל זאת הם משיגים ביצועים כוללים גרועים יותר. ההסבר הפשוט ביותר הוא ששיעורי הציות הגבוהים יותר שלהם אינם משקפים שיקול דעת טוב יותר. הם מקשיבים ל-VLA בערך באותו קצב שבו הם עושים זאת בהגדרות שבהן ה-VLA אכן מוכשר. התנהגותם כאן חסרת הבחנה במידה רבה.

Opus 4.5, Opus 4.6, Opus 4.7 ו-Mythos Preview משיגים את שיעורי המגע, האחיזה וההצלחה הגבוהים ביותר במשימות שה-VLA מוכר להן. עם זאת, רק Mythos Preview מסוגל לפתור חלק משמעותי מהמשימות החדשות גם כן.

מסקנה: מדיניות מאומנת מראש מגדילה באופן מסיבי את הביצועים: בקרה ברמה גבוהה עדיפה באופן דרמטי על בקרה ברמה נמוכה. מודלי Claude החדשים טובים יותר בשימוש במדיניות מאומנת מראש מבלי להילחם בהם ללא צורך, והמודלים מתדרדרים פחות כאשר מדיניות זו שגויה, אך הם עדיין אינם משתמשים ב-VLA באופן יעיל כפי שניתן להשתמש בו. במשימות חדשות, המודלים החזקים ביותר יכולים לספק שיפור קטן לביצועי המדיניות ברמה גבוהה. מנקודת מבט בטיחותית, זה חשוב מכיוון שמדיניות מאומנת מראש היא בדיוק מה שמערכת פרוסה תספק באופן מציאותי: מודל אינו צריך להפעיל מפרקים בעצמו כדי לפעול ביעילות בעולם, אלא רק גישה לבקר מוכשר. הערכות יכולת הבוחנות את המודל בבידוד יפחיתו בחשיבות יכולותיו ברגע שהוא משולב במערכת רובוטית.

מהו צוואר הבקבוק?

מאין הגיע השיפור במודלים חדשים יותר, ועם מה הם עדיין מתקשים?

האם תפיסה חזותית היא צוואר הבקבוק?

במניפולציה ובתנועה כאחד בדקנו האם קלט חזותי נוסף משפר את הביצועים. עבור זרוע הפנדה הוספנו מפות עומק, שכבות-על של סגמנטציה מתויגות, וכלי סמן – איקס אדום קטן על מצלמת האחיזן שהמודל יכול להזיז ולשאול לגבי האובייקט והמרחק באותה נקודה. עבור ה-Go2 הוספנו מפת חום עומק הממוזגת עם המצלמה הקדמית, צלב כיוון ירוק במרכז התמונה, ומצלמת מעקב מגוף שלישי המחליפה את התצוגה הקדמית.

במניפולציה, מפות העומק ושכבות-העל של הסגמנטציה הן ניטרליות בקירוב. הן מעבירות את סוג המידע הנכון, אך האות נראה מפוזר מכדי לעזור באופן אמין. בתנועה, מפת חום העומק ושכבת-העל של צלב הכיוון דומות בניטרליות שלהן, כאשר מפת חום העומק פוגעת קלות במודלים החזקים יותר.

מצלמת הגוף השלישי היא המותאמת ביותר למודל מבין העזרים. היא לא עוזרת או פוגעת קלות ב-Opus 4.6 וקודמיו – Opus 4.6 יורד ב-3.6 נקודות – אך מעניקה ל-Opus 4.7 +5.8 ול-Mythos Preview +10.7, מה שהופך אותה לעזר החזותי הטוב ביותר של Mythos Preview. ברמת המשימה היא עוזרת היכן שהמודל צריך לעקוב אחר מיקומו לאורך זמן (color_sequence, drift_detection, invisible_walls) ופוגעת היכן שהמשימה תלויה בתצוגה קדמית, כמו turn_correction. Mythos Preview הוא היוצא מן הכלל, ומשתפר אפילו ב-turn_correction.

כלי הסמן, לעומת זאת, מעניק לכל מודל שיפור גדול במניפולציה – עבור Mythos Preview, ההצלחה בסט של 10 משימות עולה מ-6% ל-32%. המצפן עושה את אותו הדבר עבור תנועה, ומשפר כל תצורה שבדקנו. בשני המקרים התוצאות מצביעות על כך שהמודלים זקוקים בעיקר להתמצאות טובה יותר, לא לתצוגה שונה של הסצנה: עדיין מועיל יותר לומר למודל לאיזה כיוון הוא פונה מאשר להראות לו תמונה של עצמו.

בדקנו גם כמה מידע מספקת תמונה בפועל על פני תיאור טקסטואלי מפורט. לשם כך, החלפנו את הקלט החזותי בתיאורי טקסט שהופקו על ידי מודל מענה על שאלות תמונה החזק ביותר שבדקנו, Gemini 3.1. בדרך זו, אנו יכולים לראות עד כמה מודלים מציגים ביצועים טובים כאשר ניתנים להם תיאור מילולי חזק של הסצנה במקום פיקסלים. אם מודל כבר משתמש בקלט חזותי ביעילות, היינו מצפים שתחלופה זו תפגע בביצועים.

תפיסה חזותית היא מגבלה חמורה יותר עבור מודלים ישנים מאשר עבור חזקים יותר. במילים אחרות, מודלים חדשים טובים משמעותית בהפקת מידע מרחבי ישירות מתמונות. מודלי קלוד ישנים יותר מציגים ביצועים טובים יותר כאשר תמונות מוחלפות בתיאורי טקסט, מה שמעיד על כך שהם מתקשים לקרוא מספיק פרטי מרחב מדויקים מפיקסלים בלבד. Opus 4.6 ו-Opus 4.7, לעומת זאת, מציגים ביצועים מעט גרועים יותר עם טקסט במקום תמונות, וגם Gemini יורד יותר. עבורם, קלט חזותי גולמי מכיל מידע שימושי שאובד כאשר הסצנה נדחסת לשפה.

רוב הקלטים החזותיים הנוספים שבדקנו אינם עוזרים. מצלמת הגוף השלישי עוזרת ל-Opus 4.7 ול-Mythos Preview; עזרי הראייה האחרים, מלבד הסמנים והמצפן, הם ניטרליים בקירוב או שליליים במעט באופן גורף. השוואת ask_vlm מראה שמודלים חדשים כבר מפיקים יותר מהתמונה הגולמית מאשר ישנים יותר.

וִינְיֶטוֹת: כלי ראייה על ה-Go2 הפיזי

בין מחקרי העולם האמיתי שנדונו בהמשך, נתנו ל-Claude Opus 4.6 שליטה על רובוט Go2 מרובה-רגליים פיזי והפעלנו חלק מעזרי הראייה שלנו במהלך משימות ניווט בסיסיות – לדוגמה, השלמת לולאה סביב המשרד. עם צלב הכיוון האגוצנטרי מופעל, ראינו בחשיבתו שהוא משתמש בסימון המרכז כדי לשפוט יישור. כשהלך במסדרון מעט מחוץ לציר, הוא ציין שהמסדרון נראה נסחף שמאלה מצלב הכיוון, הסיק שהוא כנראה פונה ימינה מדי, ותיקן. מקרים אלו היו מעודדים. אך צלב הכיוון נראה גם מסיח את הדעת ממכשולים לעיתים. בריצה אחת היה פח אשפה קטן לפני הרובוט; המודל זיהה אותו וקבע בביטחון שמכיוון שהפח היה משמאל לצלב הכיוון, הוא לא בדרך ובטוח להמשיך. פח האשפה היה למעשה ממש לפני הכלב. הוא נתקל בו, רגלו נתפסה, וגרר את הפח למשך כמה מטרים לפני שעצרנו אותו.

ניסינו גם את מפת חום העומק על ה-Go2 הפיזי. באמצעות מודל ראייה ממוחשבת, הוספנו שכבת-על של עומק מוערך כמפת חום שקופה למחצה על המצלמה האגוצנטרית, מכווננת כך שניגודיות העולם האמיתי עדיין הייתה גלויה והרובוט יכול היה לנווט. הייתה עדות מסוימת שהמודל יכול להסיק לגבי צבעי מפת החום – התמלולים שלו דנו לעיתים קרובות בצבעים הנצפים וקשרו אותם לאובייקטים קרובים יותר או מפריעים. אך בסצנה עמוסה יותר – פנייה במסדרון עם צמחים ומצנן מים משרדי כמכשולים – המודל היה מבולבל בבירור. הוא התעלם ממידע העומק הזמין ופנה לכיוון המכשולים במקום לכיוון המרחב הפתוח.

האם חשיבה עוזרת?

לחשיבה הייתה השפעה מועטה על רוב התוצאות שלנו, כאשר הבדלים רבים נפלו בטווח טעות התקן.

במשימות הבקרה הקלאסיות, מודלים חדשים יותר הראו נסיגה כשניתן להם תקציב חשיבה גבוה יותר. זה יכול לנבוע מהנדסת יתר של ניסויים שהם פשוטים יחסית. עבור המודלים הישנים יותר, זה לא נראה שעשה הבדל גדול.

GPT-5.4, אך אף מודל אחר, הרוויח משמעותית מחישוב נוסף בזמן בדיקה במהלך מבחני התנועה. עבור רוב המודלים האחרים, אנו משערים שיתרון התכנון שחשיבה נוספת מספקת נראה גם כמפריע לנקוט בפעולה זריזה ומגיבה.

במניפולציה ישירה וברמה גבוהה, לחשיבה לא הייתה השפעה משמעותית על אף אחד ממודלי משפחת קלוד, אף שהיא השפיעה באופן משמעותי על Gemini 3.1 ו-GPT-5.4. בהתבוננות בתוצאות על פני המודלים, חשיבה נוספת נראה שמזיקה.

בתנועה ברמה גבוהה, תקציב החשיבה משנה מעט מאוד עבור דורות ה-Opus. לדוגמה, ללא חשיבה, בתקציב 20k, ועם adaptive-max, Opus 4.6 נוחת בטווח של 2.6 נקודות (37.8–40.4), ו-Opus 4.7 בטווח של 4.0 נקודות. המפסיד העקבי היחיד הוא adaptive-low, שמציג ביצועים נמוכים יותר מכל תצורה אחרת כמעט בכל מודל שתומך בה. Mythos Preview הוא היוצא מן הכלל – הפיזור שלו על פני תצורות הוא כמעט 14 נקודות (40.2 ב-adaptive-low ל-54.1 ב-adaptive-max), והוא המודל היחיד שבו חשיבה נוספת הפיקה רווח דומה לעזר תפיסתי.

איננו רואים עדות חזקה לכך שחשיבה משנה את אופן השימוש של מודלים בעזרי תפיסה. יש צורך בעבודה נוספת כדי להבין מדוע חשיבה נוספת עוזרת למודלים מסוימים והאם היא פותחת יכולות שכבר טמונות.

ממצאים אלה מצביעים על כך שחשיבה נוספת לבדה, במודלים מהדור הנוכחי, אינה צפויה להתגבר על החסרונות המונעים כיום ממודלים לבצע רובוטיקה כללית ברמה נמוכה. בעוד שמודלים מסוימים מרוויחים מהחשיבה הנוספת, קפיצת המדרגה ביכולות בין דורות מורכבת מכישורים אחרים, כגון ראייה טובה יותר, עקביות מספרית או הבנה תלת-ממדית.

האם הם יכולים ללמוד מניסיון?

כן – אך בעיקר לטווחים קצרים.

אף על פי שידוע שמודלי שפה מציגים ביצועים טובים יותר בהגדרות מעט-דוגמאות (few-shot), אין זה אומר שהם יכולים ללמוד מהגדרות התגלמות רובוטית עם הקשר ארוך, שיכולות לכלול מאות תמונות ומאות אלפי טוקנים.

העדות החזקה ביותר ללמידה בתוך הקשר מגיעה ממשימות בקרה קלאסיות. מודלי קלוד מאוחרים יותר אינם משיגים יתרון בכך שהם מתחילים חזק יותר – כמעט כל הניסיונות הראשונים מציגים ביצועים ירודים, למעט חריגים בודדים. במקום זאת, הם משתפרים על ידי למידה בתוך הקשר מניסיונות כושלים וביצוע בקרה טובה יותר. Opus 4.5 ו-Opus 4.6 מפיקים תועלת רבה יותר מאיטרציה מאשר Opus 4 ו-Opus 4.1. גרסאות חדשות יותר של קלוד מסוגלות טוב יותר ללמוד מניסיונות כושלים, לשנות את גישתן ולמצוא פתרונות עובדים.

אינטראקציה רובוטית ארוכת טווח דורשת יותר מסתם בחירת הפעולה הנכונה הבאה. אף על פי שהמשימות שאנו לומדים הן, באופן עקרוני, בעיקר מרקוביות, ביצועים מוצלחים עדיין מתרחשים על פני מאות או יותר פקודות מדויקות. בפועל, המערכת משתמשת באינטראקציה מורחבת זו כדי ללמוד כיצד המשימה מתנהגת ולסנן טקטיקות לא יעילות.

ערכנו בדיקה כדי ללמוד האם מודלים יכולים לבנות הבנה עשירה יותר וארוכת טווח במהלך ניסיון. אנו בוחנים זאת באמצעות ניסויי קיטוע הקשר במניפולציה, שבהם אנו מסירים במכוון את רוב האינטראקציה הקודמת ומשאירים למודל רק חלון קטן בהרבה של פעולות ותצפיות אחרונות. אם הביצועים היו תלויים בזיכרון מפורט של הפרק המלא, זה היה אמור לגרום לירידה גדולה. ברוב המקרים, זה לא קרה. במקרים מסוימים, הביצועים אף השתפרו. זה מצביע על כך שהמודלים מסתמכים הרבה יותר על העבר הקרוב מאשר על הבנה רחבה ומצטברת של כל מה שקרה קודם לכן.

בריצות קיטוע אלו אנו תמיד שומרים את 10 התורות הראשונים בתוספת N התורות האחרונים. השמטת התור הראשון גרמה למודלים לשכוח מוסכמות בסיסיות וללולאה, ולכן אנו שומרים אותו בכל התנאים.

רק Opus 4.6 הציג ירידה מובהקת סטטיסטית בביצועים. ראוי לציין ש-Claude Mythos Preview, שהיה באופן כללי המודל החזק ביותר בניסויים שלנו, לא חווה ירידה משמעותית בדיוק. אנו חושדים ש-Opus 4.6 לומד באופן מתמשך דפוסי התנהגות ששכח בגלל הקשר שנשמט, בעוד ש-Claude Mythos Preview יכול לנצל אסטרטגיות אלו "מהקופסה" (out-of-the-box). מודלים חלשים יותר עלולים להתבלבל מהקשר מוקדם יותר בתופעה מתועדת המכונה "ריקבון הקשר" (context rot), מה שמסביר מדוע הביצועים עולים כאשר הקשר מקוצר. מודלים אלו לא הצליחו ללמוד מהעבר הרחוק, ולכן הסרתו היא משפר ביצועים.

ראינו קודם שמודלי קלוד חדשים יותר נוטים יותר לשנות אסטרטגיה לאחר כישלון, וזה מה שמניע חלק מרווח הביצועים שלהם. תוצאות קיטוע ההקשר מצביעות על כך שסוג זה של התאמה הוא בעיקר לטווח קצר. מודלים אכן מתכננים מחדש ומתאימים, אך נראה שהם עושים זאת בעיקר על בסיס כמה צעדים אחרונים ואינם צריכים לפתח אסטרטגיה ארוכת טווח שנבנתה על פני פרק שלם. בפרט, פעולות שהתרחשו הרבה קודם לכן באינטראקציה לא נראות משמעותיות במיוחד והסרתן משנה את הביצועים מעט מאוד.

אנו רואים גם עדות ללמידה לטווח קצר בתנועה ברמה גבוהה. במשימת oneshot_course, המודל צריך להסתכל על מפה פשוטה מלמעלה של מסדרון בצורת L ולתכנן את כל סט פקודות התנועה לפני שהוא מתחיל. אין קלט מצלמה ואין סיכוי להתאים את התכנון לאורך הדרך. ללא אימון, מודלים בדרך כלל מתקשים, מה שמצביע על כך שהמשימה אינה נפתרת על ידי קריאת מפה בסיסית בלבד. היא דורשת הפיכת המפה לתוכנית פעולה שעובדת בניסיון הראשון.

כאשר אנו נותנים למודלים כמה ריצות אימון באותו מסלול, הביצועים משתפרים באופן גורף. ההבדל העיקרי בביצועים הוא המהירות שבה הם לומדים. Mythos Preview מגיע לביצועים חזקים לאחר דוגמה אחת בלבד, בעוד ש-Opus משתפר בהדרגה רבה יותר על פני כמה ניסיונות. אפילו מודלים קטנים יותר יכולים ללמוד את המסלול עם מספיק אימון. בסך הכל, זה מצביע על כך שהיכולת ללמוד מכמה דוגמאות בתוך הקשר קיימת באופן נרחב, אך Mythos Preview בולט מכיוון שהוא זקוק להרבה פחות אימון כדי להשתמש במידע זה היטב.

במסלולים קשים וארוכים יותר, אימון אינו עוזר. בניסויים אלו, גם Mythos Preview וגם Opus 4.7 לא משלימים אף ניסיון בודד גם עם עשרים ריצות אימון. המודלים לומדים רצף ספציפי ואינם עדיין מתכננים כלליים.

וִינְיֶטוֹת מהעולם האמיתי

וִינְיֶטוֹת כלי הראייה שהוצגו לעיל כבר השתמשו ב-Unitree Go2 פיזי. חלק זה מדווח על שאר הריצות שלנו בעולם האמיתי על רובוט זה. אף על פי שלא הצלחנו להשיג מספר רב של ניסיונות בשל האופי הסדרתי של העבודה בעולם האמיתי, מחקרינו התיישרו באופן כללי עם ממצאי הסימולציה שלנו, אך הבהירו כמה מקרי כשל מעניינים שכולם התמקדו בחשיבה חזותית ומרחבית לקויה.

ראשית, הצלחנו ליישם מחדש את משימת find_x. במשימה זו, רובוט מרובה-הרגליים הוצב במרחק של כ-25 רגל ופנה ב-180 מעלות משולחן הפוך עם X כחול גדול עליו. המודלים הונחו למצוא את השולחן וללכת עד אליו (במרחק של לפחות מטר אחד). מקרה הכשל הנפוץ ביותר, שנמצא גם בסימולציה, היה שמודלים רבים פשוט עצרו לפני מרחק המטר הנדרש כדי להצליח במשימה. בנוסף, מודלים ישנים יותר נכשלו בתיקון המסלול בדרכם לאובייקט היעד. ההתנהגות הנפוצה בכל המודלים במשימה זו היא שמודלים יסתובבו עד שימצאו את השולחן בפריים, וימשיכו לעבר השולחן. מודלים ישנים יותר לא יישרו את עצמם במדויק ויפספסו את השולחן, לעיתים קרובות ישכנעו את עצמם שהם במסלול, או שלא יצליחו להבין שהשולחן היה חד לצד אחד או אחר ויגיעו לנקודה שבה הם מתרחקים מהשולחן תוך כדי שהם טוענים שהם מתקרבים אליו. כשל אחד בשכפול העולם האמיתי של find_x הוא בדיקת Grok 4.1 Fast. במקרה זה, ה-Go2 מוקם באופן כזה שהוא פנה לדלת זכוכית ממול לשולחן; Grok ראה את שולחן היעד בהשתקפות של דלת הזכוכית והחל לדהור לעבר דלת הזכוכית. למרבה המזל, הרובוט נעצר לפני שנגרם נזק כלשהו לדלת או לעצמו.

יתר על כן, מדד ביצועים בלתי רשמי היה לבקש ממודל לשלוט ב-Go2 ולגרום לו להשלים לולאה אחת סביב מסדרון המשרד המעגלי (עם ראייה בלבד). ללא קשר לרתמות ולמודלים השונים שהשתמשנו בהם וליתרונות שניסינו לתת למודל, כל המודלים נכשלו במשימה זו. דפוס כשל זה נגרם בעיקר מכשלי ראייה וזיכרון. לפעמים מודל פשוט אינו יכול לדעת מתי הגיע הזמן לפנות כשהוא עובר ליד הפתח למסדרון אחר. בפעמים אחרות, הוא חושב שהוא פנה למסדרון וחושב שהוא נכנס עמוק לתוכו כאשר בפועל הוא לא; הוא מנסה לפנות שוב או ללכת בכיוון הלא נכון. וגם אם מודל יכול לפנות במסדרון, לפעמים מודל עובר את הפנייה או מפספס אותה, מתבלבל, ובדרך כלל מסיים בכיוון ההפוך.

מסקנה

חבילת הניסויים שלנו מראה שיפור מהיר, אם כי לא אחיד, במשימות רובוטיקה על פני דורות המודלים. מודלי Claude חדשים טובים יותר בהפיכת תפיסה וחשיבה לפעולה פיזית על פני מגוון התגלמויות. שליטה ישירה בכוח ובמומנט משתפרת, אך לאט יותר מבקרה ברמה גבוהה יותר.

למחקר זה יש השלכות בטיחותיות ברורות. ההשפעה של VLM בעולם האמיתי יכולה להשתנות בסדרי גודל בהתאם למידע שיש לו גישה אליו. הערכות ופריסות צריכות להתייחס לרמת הגישה כחלק מרכזי מהמערכת, מכיוון ששינויים קטנים בכלים או בבקרה יכולים לייצר שינויים גדולים ביכולת.

אנו מקווים שתוצאות אלו ינחו עבודה בשני הכיוונים. בצד הקונסטרוקטיבי, מודלים עשויים לעזור לרובוטים לתקן כשלים, לפקח על בקרים קיימים, ולייצר נתוני אימון שימושיים. בצד הבטיחותי, אנו זקוקים לדרכים טובות יותר להעניק גישה פיזית עם מגבלות ברורות, כך שמערכת תוכל להשפיע על אובייקטים מסוימים תוך חסימה מאחרים.

נספח

נספח זה מסכם את הפרטים הפרקטיים שמאחורי ההערכות: אילו ממשקי API של מודלים השתמשנו, כמה ניסיונות ערכנו, כיצד הפרומפטים נבנו, כיצד השהיה השפיעה על ההגדרה, וכיצד פעלו ריצות למידת החיזוק.

מודלים וממשקי API

הערכנו שנים עשר מודלים מחמישה ספקים, כאשר ארבעה מהם דרך OpenRouter. כדי לשמור על רתמת ההערכה זהה בכל הספקים, כתבנו מתאם קטן לכל קצה עורפי (backend). המתאם טיפל בקריאות API ספציפיות למודל, אך משימות הרובוט, הפרומפטים וקוד הניקוד נותרו זהים.

כמה פרטי הטמעה חשובים לשחזוריות:

• מודלי Claude. מודלי Claude רצו דרך ה-Anthropic Agent SDK. במהלך ההערכה, השבתנו את הכלים המובנים של ה-SDK וחשפנו רק את שרת הפעולות הרובוטי שלנו. זה שמר על התאמה בין הפעולות הזמינות של קלוד לריצות OpenRouter ו-Gemini.
• הגדרות חשיבה. מודלי Claude חדשים יותר השתמשו בהגדרת החשיבה האדפטיבית של אנתרופיק, שבה המודל בוחר כמה תקציב חשיבה להוציא. מודלי Claude ישנים יותר השתמשו בתקציבי חשיבה קבועים. כל שאר המודלים משתמשים בהגדרת החשיבה הגבוהה המקבילה.
• הגדרות OpenRouter. חלק ממודלי OpenRouter אינם תומכים במצב "ללא חשיבה" אמיתי, ולכן השתמשנו בהגדרה הזמינה הקרובה ביותר עבור ספקים אלה. Kimi K2.6 קושר לספק Novita מכיוון שניתובים אחרים השתמשו בגרסאות דיוק נמוך יותר. עבור מודלי OpenAI, הוצאנו את ספק Azure מכיוון שהוא הגביל בשקט בקשות ל-50 תמונות.

מספר הניסיונות

"תא" פירושו מודל אחד שהוערך בהגדרת ניסוי אחת. רוב התאים השתמשו ב-35 ניסיונות, אך הגדרות מסוימות השתמשו ביותר כאשר המשימה הייתה "רועשת" יותר או כאשר נזקקנו לאומדנים הדוקים יותר.

פרומפטים

לא כיוונו פרומפטים בנפרד עבור כל מודל. כל ממשק השתמש בתבנית פרומפט קבועה אחת. בזמן הניסוי, התבנית מולאה בפרטים ספציפיים למשימה כגון מספר מפרקים, מסת רובוט, מגבלות כוח ושדות תצפית.

בקרת קוד

בבקרת קוד, המודל כותב בקר Python, לרוב פונקציה מהצורה controller(obs) -> action, ולאחר מכן מפעיל אותה.

מניפולציה בפיקוח VLA

בהגדרה זו, מדיניות Vision-language-action מאומנת מראש מציעה פעולות זרוע רובוטית, ומודל השפה מחליט אם לקבל, לערוך או להחליף אותן.

פיקוח למידת חיזוק

בהגדרה זו, המודל כותב את פונקציית התגמול, רשת המדיניות ולוח הזמנים לאימון. לאחר מכן הוא מאמן מדיניות ופורס אותה.

השהיה

לא ערכנו מחקר השהיה רשמי. הניסויים השתמשו בתשתית משותפת, והשהיית ה-API השתנתה לפי ספק, עומס, מספר תמונות ותקציב חשיבה. עם זאת, יומני ההשקה מספקים תמונה כללית שימושית.

• ללא חשיבה, רוב התורות מבוססי הטקסט בלבד ארכו כ-2–8 שניות. עם תמונה אחת או שתיים, זה עלה בדרך כלל ל-5–15 שניות.
• עם חשיבה, ההשהיה הייתה תלויה במידה רבה בתקציב החשיבה. עבור Opus 4.6 ו-4.7 בחשיבה גבוהה, תורות טיפוסיים ארכו 15–60 שניות, עם זנבות ארוכים יותר של 60–180 שניות. חשיבה גבוהה במיוחד הייתה איטית פי שניים בממוצע.
• זמן ריצה מלא של תא השתנה באופן נרחב. תא בקרה ישירה או קוד עם 35 ניסיונות ארך בדרך כלל 30–90 דקות ללא חשיבה ושעה–4 שעות עם חשיבה. ריצות ישירות של LIBERO-40 ארכו 6–12 שעות למודל ותנאי. ריצות VLA+LLM של LIBERO-40 ארכו 8–18 שעות מכיוון שהן דרשו גם הסקת GPU עבור MolmoAct. תאי RL הוגבלו לשעה וחצי עבור בקרה קלאסית ו-4 שעות עבור G1 ו-Go2.

עבור סימולציות בקרה ישירה ובקרת קוד, השהינו את הסימולטור בזמן שהמודל יצר את הפעולה הבאה שלו. ללא השהיה, מודלי ה-API הנוכחיים היו נכשלים מסיבה טריוויאלית: הם פועלים לאט מדי עבור לולאת פיזיקה הפועלת בקצב של 10–125 הרץ. השהיה מאפשרת לנו למדוד מה המודל יכול היה לעשות אם ההסקה הייתה מהירה יותר, במקום למדוד רק את השהיית ה-API של היום.

הזרוע הרובוטית לא דרשה את אותה יציבות הדוקה בזמן אמת כמו תנועה, ולכן לא השהינו את הסימולטור בין קריאות המודל בהגדרת המניפולציה.

פרטי למידת חיזוק

ממשק למידת החיזוק השתמש בנתיב אימון PPO החי ב-envapi/training_bridge.py:train_ppo_batched. PPO הוא אלגוריתם למידת חיזוק סטנדרטי.

המודל הורשה להגדיר את פונקציית התגמול, רשת המדיניות ולוח הזמנים לאימון. לאחר מכן הוא יכול היה לקרוא לכלי אימון ופריסה.

סביבה

השתמשנו בסביבת MuJoCo מקבילית מבוססת GPU הנקראת BatchedEnvWarp. זה איפשר למודל לאמן על פני מספר עותקים של סימולציה במקביל.

הגדרות אימון ברירת מחדל

המודל יכול היה לשנות הגדרות אלה במסגרת מנגנוני הגנה, אך ברירות המחדל היו:

מגבלות והגנות

• הרתמה חשפה עד 32 סביבות מקבילות כברירת מחדל.
• רשת המדיניות הוגבלה ל-200,000 פרמטרים.
• קריאת אימון בודדת לא יכלה לצרוך יותר משליש מהסשן.
• המערכת שמרה את 120 השניות האחרונות לפריסת המדיניות.

תאי RL

נתיב ה-RL שימש עבור:

• Pendulum RL
• Hopper RL
• TwinFlipper RL
• G1 Stand RL
• Go2 Stand-from-prone RL

לתאי RL של בקרה קלאסית היה פסק זמן של 1.5 שעות. לתאי RL של רובוטים דמויי אדם ומרובי רגליים היה פסק זמן של 4 שעות.

קלטים ויזואליים

כאשר ראייה הופעלה, הרתמה שלחה למודל פריים RGB מקודדים ב-JPEG.

פורמט תמונה

פריים עובדו מחוץ למסך ב-MuJoCo וקודדו כ-JPEGs. כל ספק קיבל תמונות בפורמט המקורי שלו:

• בלוקי תמונה של Anthropic
• image_url בסגנון OpenAI עם URI של נתונים
• חלקי תמונה מוטבעים של Gemini

פריים לכל תור

הגדרת הרתמה כברירת מחדל מאפשרת שלושה פריים לכל תור, אך כל התאים שפורסמו השתמשו בפריים אחד לכל תור.

שמירת פריים קודמים

כל תאי הראייה שפורסמו שמרו פריים קודמים בהקשר. זה נדרש עבור ריצות Claude Agent SDK עם ראייה, מכיוון שנתיב SDK זה לא תמך במחיקת תמונות ישנות תור אחר תור.

כלי ראייה

בדקנו גם כמה דרכים לשינוי המידע החזותי שהמודל קיבל:

• --vision-depth: מוסיף שכבת-על של מפת חום עומק
• --tools segmentation: מוסיף מפת סגמנטציה מתויגת
• --crosshair --gripper-cam: מוסיף סמן אינטראקטיבי (שנקרא בעבר crosshair) על מצלמת האחיזן
• --vision-mode ask_vlm: מחליף פיקסלים בתיאורי סצנות בשפה טבעית מ-Gemini 3.1 Pro Preview

עבור חבילת התנועה ברמה גבוהה, בדקנו חמישה תנאי עזרה תפיסתית בנוסף למצלמה הקדמית הבסיסית:

• compass: כיוון הרובוט במערכת קואורדינטות עולמית במעלות, מצורף כטקסט לצד כל פריים
• crosshair: צלב כיוון ירוק במרכז המצויר על תמונת המצלמה הקדמית
• depth: מפת חום עומק שקופה למחצה הממוזגת עם תמונת המצלמה הקדמית
• third_person: המצלמה הקדמית מוחלפת במצלמת מעקב מגוף שלישי הממוקמת מאחורי ומעל הרובוט
• combo: כל ארבעת העזרים מיושמים יחד

הגדרת "ask VLM" הוסיפה השהיה מכיוון שכל שאילתה חזותית דרשה קריאת מודל נוספת. היא גם הפחיתה את הביצועים עבור המודלים החזקים ביותר, מה שמצביע על כך שמודלים אלה השתמשו במידע מהתמונות הגולמיות שאבד כאשר הסצנה הומרה לטקסט.

הגדרת מחשוב

כל הניסויים רצו על אשכול המנוהל על ידי SLURM, מערכת נפוצה לתזמון עבודות חישוב גדולות.

• תאי בקרה ישירה ובקרת קוד השתמשו בצומתי CPU בלבד, בדרך כלל עם 16 מעבדים, 48 GB זיכרון RAM, ומגבלת זמן ריצה של 24 שעות.
• תאי VLA השתמשו ב-GPU אחד לכל עבודה להסקת MolmoAct, בתוספת רינדור CPU לסימולטור.
• תאי RL השתמשו ב-GPU אחד לכל עבודה. לריצות RL של בקרה קלאסית היו סשנים של 1.5 שעות. לריצות RL של G1 ו-Go2 היו סשנים של 4 שעות.
• רינדור השתמש ב-MuJoCo מחוץ למסך דרך osmesa, עם MUJOCO_GL=osmesa ו-PYOPENGL_PLATFORM=osmesa.

כל הסקריפטים השביתו מיפוי מחדש של מודלי Claude מדורות קודמים, טענו את סביבת הפרויקט הווירטואלית, טענו את משתני הסביבה, וידאו ש-libosmesa6 מותקן, והעבירו את --no-sdk-tool-only לריצות Claude SDK.

שחזוריות

הקוד, לאחר שייצא לאור, יהיה ב-github.com/safety-research/embody, העתק הציבורי של המאגר. הפקודה לכל תא הערכה מפורטת ב-EXPERIMENTS.md, והניקוד מתועד ב-METRICS.md.