Компания Daxiao Robot в 2026 году представила модель ACE-Brain-0.5 — первую «унифицированную модель на основе тела» с полностью открытым исходным кодом. Модель возглавила ряд мировых рейтингов SOTA. ACE-Brain-0.5 представляет собой унифицированную телесную модель нового поколения для физического ИИ‑агента. Она переводит базовую модель робота с уровня «понимания мира» на когнитивную стадию замкнутого цикла интеграции, включающую понимание, планирование, действия, оценку и эволюцию.
В рамках системы параметров 8B модель объединяет несколько ключевых функций: пространственное восприятие, планирование принятия решений, физическое взаимодействие и самооценку. Для координации интерфейсов (заземление, навигация, управление, оценка прогресса) используются стратегии обучения SSR+.
Одно из ключевых преимуществ ACE-Brain-0.5 — объединение замкнутого цикла восприятия-планирования-действия-оценки в единую модель. Это даёт роботу способность к самоконтролю: он может оценивать, насколько близок к цели, исправлять ошибки и перепланировывать действия при отклонении от графика. В отличие от традиционных робототехнических систем, которые используют несколько специализированных модулей (что приводит к накоплению ошибок и нестабильности из‑за длинных связей и множества интерфейсов), ACE-Brain-0.5 предлагает инновационный подход к построению когнитивной архитектуры.
Архитектура модели включает «двойную шкалу времени»:
* медленный мозг (визуальный кодер и модель large language) отвечает за восприятие, планирование и мультимодальные рассуждения (анализ текста, выделение области, наведение курсора, траектория движения);
* быстрый мозг (быстродействующие визуальные кодеры и эксперты по движению) обеспечивает управление в реальном времени, краткосрочное прогнозирование, быстрое реагирование и выполнение действий (навигация, управление).
Стратегия обучения SSR+ включает несколько этапов:
1. Обучение нескольких специализированных контрольных точек для контроля качества, заземления, навигации, эксплуатации и оценки прогресса.
2. Объединение векторов задач для завершения согласования способностей — включение различных специфических навыков в одно и то же пространство параметров.
3. Использование облегчённого гибридного SFT для повторной активации возможностей задач, калибровки выходных интерфейсов, уменьшения конфликтов и восстановления возможности переключения между различными задачами.
Модель превосходит множество других решений в различных задачах. Например, в задачах пространственного познания и логического мышления ACE-Brain-0.5 лучше OpenAI GPT‑5.4, Google Gemini‑2.5‑Pro, Anthropic Claude‑Sonnet‑4.6, ACE‑Brain‑0, RynnBrain, RoboBrain и других. В задачах навигации модель превосходит базовые модели с открытым исходным кодом (NaVid, Uni‑NaVid, NaVILA). По физическому интеллекту ACE‑Brain‑0.5 лучше Nvidia GR00T N1.6, а также методов VLA (π//π₀.AI, OpenVLA, Qwen‑VLA‑Instruct, GTA‑VLA, X‑VLA, Uni‑VLA) и моделей вознаграждения роботов (Robometer, RoboReward, RoboDopamine).
Результаты ACE‑Brain‑0.5 в ключевых тестах:
* MindCube — 86,3% (на 4,2 п. п. больше, чем у ACE‑Brain‑0);
* SQA3D — 62,6% (на 7,8 п. п. больше, чем у предыдущего поколения);
* Multi3DRef — 72,4% (превзошёл ACE‑Brain‑0 с результатом 55,9%);
* ScanRefer — 70,2% в оценке 3D‑восприятия при выравнивании языка;
* в задачах REFSPTIAL, PointArena, RoboAfford улучшение на 29,6, 23,8 и 18,6 п. п. соответственно.
В физической навигации ACE‑Brain‑0.5 справляется с тестами VLN‑CE R2R и RxR Val‑Unknown, превосходит NaVid и Uni‑NaVid. Результаты на R2R Val‑Invisible:
* 57,4% (SR) и 51,7% (SPL) у базовой версии;
* 62,2% (SR) и 56,2% (SPL) у специализированной версии.
Результаты на RxR Val‑Invisible: 63,8% (SR), 47,9% (SPL), 64,6% (nDTW).
В тесте условных операций на языке LIBERO средний показатель успешности ACE‑Brain‑0.5 составил 98,2%, что выше, чем у Qwen‑VLA‑Instruct (97,9%), OpenVLA‑OFT (97,1%), GR00T N1.6 (97,0%) и π₀. Пространственные и объектные наборы задач — 100,0%, долгосрочные задачи — 97,0%.
В тесте SimplerEnv‑Bridge ACE‑Brain‑0.5‑VLA достиг среднего показателя успешности 82,3%, обогнав GTA‑VLA (81,2%), X‑VLA (76,0%), Qwen‑VLA‑Instruct (73,7%) и Uni‑VLA (69,8%). Модель достигла 100,0% в задаче Eggplant.
В тестах RBM‑EVAL‑ID и RBM‑EVAL‑OOD (Robometer) ACE‑Brain‑0.5 сохраняет лидирующие позиции. В RBM‑EVAL‑ID корреляция VOC для ACE‑Brain‑0,5 — 0,94/0,80, что лучше, чем у Robometer‑4B (0,92/0,78) и RoboReward‑8B (0,82/0,51). В RBM‑EVAL‑AWD ACE‑Brain‑0,5 достиг 0,96/0,88, опередив Robometer‑4B (0,94/0,88) и RoboReward‑8B (0,88/0,60).
Пример применения модели — задача стирки одежды в прачечной отеля. Роботу необходимо:
* найти прачечную и стиральную машину;
* определить элементы управления и рабочие зоны;
* понять последовательность операций (положить одежду, добавить моющее средство, выбрать программу);
* выполнить действия (открыть дверцу, установить ключи и т. д.);
* определить и устранить проблемы (например, если люк не закрывается или одежда прилипла).
Daxiao Robot планирует сотрудничать с разработчиками по всему миру для дальнейшего развития модели.
Подписаться в Макс
