تصف ورقة أولية نُشرت على arXiv في 1 سبتمبر عند 17:58 بالتوقيت العالمي UTC Facet-0، وهو ما يسميه مؤلفوه نموذجًا أساسيًا للروبوتات «يتنبأ بالعواقب التلامسية لأفعاله ويقيّمها». وفي خمس مهام لتجميع الحواسيب دون المليمتر، يصل النظام المُكيَّف مع المهمة إلى 82% متوسط نجاح، مقابل 15% لأقوى خط أساس، مع دقة تموضع 0.5 مم وزمن استجابة للأوامر يبلغ 50 مللي ثانية.
ما الذي يتنبأ به النموذج فعليًا
ليس البكسلات. تقوم البنية على اقتراح مشترك للفعل-والـwrench — وwrench هو القوة والعزم المدمجان عند المعصم. ويجري مواءمة سجل سببي للـwrench مع دلالات الرؤية-اللغة والحالة الحركية، كما يَنتج matching بالتدفق كل حزمة فعل مع ملف الـwrench المستقبلي عند المعصم الذي يُتوقع أن تولده. ثم يُدرَّب مُنقِّد توزيعي للفعل-والـwrench على عمليات النشر الفعلية لتمييز الحركات التي تبدو ناجحة بالقدر نفسه لكنها تنتهي بعواقب تماس مختلفة.
ما الذي يخطئه الإطار الشائع
تُروى قصة نماذج الروبوتات الأساسية في 2026 بوصفها رؤية-لغة-فعل: اعرض على الروبوت البكسلات والكلمات، فتحصل على سلوك. لكن هذه النتيجة تقول إن قناة الرؤية، عند دقة التجميع، تكاد تكون عديمة الفائدة وحدها — إذ لا يتجاوز أقوى خط أساس موجَّه بالرؤية 15%. ومع ذلك، يجب توضيح أمرين قبل تعميم نسبة 82%. فهي تُقاس بعد تكييف على الروبوت ومحدد للمكوّنات لوكيل محدود وخفيف يعيد استخدام التمثيل المجمد، لذا فهي ليست رقمًا عامًا صفري اللقطة. كما أنها تغطي خمس مهام في مختبر واحد، من دون تكرار مستقل، وفي ورقة أولية بلا مراجعة أقران.
كلمة «أساسي» تتحمل هنا عبئًا كبيرًا
مجموعة التدريب، ManuFacet-1K، تضم 1,000 ساعة من البيانات المتزامنة مع القوة عبر ثلاثة تجسيدات وعدة خلايا تصنيع. إنها مجموعة بيانات جادة للتلاعب الغني بالتلامس، لكنها تظل صغيرة جدًا قياسًا إلى ما توحي به كلمة «أساسي». والوصف الأدق هو نموذج متخصص لنظام فيزيائي معين، لا نموذجًا عامًا.
لماذا يهم معيار القياس أكثر من الفائز
إن الإدخال دون المليمتر هو بالضبط العمل الذي يَعِد به مزوّدو الروبوتات البشرية والصناعية المصانعَ مرارًا ولا ينجحون في تقديمه. ومهما كان الرأي في رقم Facet-0 نفسه، فإن خط الأساس البالغ 15% هو البيانات المفيدة: إنه قياس منشور يوضح مدى ابتعاد السياسات المعتمدة على الرؤية فقط عن التفاوتات التي يتطلبها التجميع الحقيقي.