論文の概要: ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models

• arxiv url: http://arxiv.org/abs/2610.27040v1
• Date: Mon, 19 Oct 2026 17:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.437609
• Title: ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models
• Title（参考訳）: ACE-Brain-0.6: 物理基礎モデルのための空間グラウンドのスケーリング
• Abstract要約: GPT-6 Astra や Claude Opus 5.5 などの汎用マルチモーダルモデルは、インボディード操作の幅広い能力を実証している。 全身手術の知覚基盤を強化するために,視覚的グラウンドのスケーリングについて検討した。 約150万サンプルのQwen3.5-9Bの微調整によりACE-Brain-0.6が得られる。
• 参考スコア（独自算出の注目度）: 100.81072318355969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: General-purpose multimodal models, including GPT-6 Astra and Claude Opus 5.5, demonstrate broad capabilities in embodied manipulation. Our analysis indicates that this generality is accompanied by strong spatial perception, as Astra can determine where to interact with task-relevant entities amid visual distractors. Because spatial perception connects high-level reasoning to the physical scene, we investigate scaling visual grounding to strengthen the perceptual foundation of general embodied operation. We develop a unified data pipeline that combines robot manipulation recordings with complementary visual data from diverse sources. After automatically annotating the robot recordings, the pipeline converts the collected data into verifiable grounding supervision. Fine-tuning Qwen3.5-9B on approximately 1.5 million samples produced by this pipeline yields ACE-Brain-0.6. The model outperforms GPT-6 Astra on four of seven public grounding benchmarks, with an overall average score of 75.41 compared with Astra's 73.68. Under a fixed Qwen3.5-9B fine-tuning setup, aggregate grounding performance improves steadily as successive data releases expand the training collection to cover a broader range of grounding scenarios. These results show that scaling verifiable grounding supervision from diverse sources can strengthen the spatial perception of an open 9B model for general embodied operation.
• Abstract（参考訳）: GPT-6 Astra や Claude Opus 5.5 などの汎用マルチモーダルモデルは、インボディード操作の幅広い能力を実証している。 分析の結果,この一般化には強い空間知覚が伴うことが示唆された。 空間知覚は,高次推論と物理的シーンを結びつけるため,視覚的グラウンドのスケーリングについて検討し,全身手術の知覚的基礎を強化する。 我々は,ロボット操作記録と,多様な情報源からの補完的な視覚データを組み合わせた統合データパイプラインを開発した。 ロボット記録を自動的に注釈付けした後、パイプラインは収集したデータを検証可能な接地監視に変換する。 約150万サンプルのQwen3.5-9Bの微調整によりACE-Brain-0.6が得られる。 このモデルは7つのグラウンドベンチマークのうち4つでGPT-6 Astraを上回り、Astraの73.68と比較すると平均スコアは75.41である。 固定されたQwen3.5-9Bの微調整設定の下では、連続したデータリリースがトレーニングコレクションを拡張して幅広いグラウンドシナリオをカバーすることにより、アグリゲートグラウンドのパフォーマンスが着実に向上する。 これらの結果から,多種多様な情報源から検証可能な接地管理のスケーリングが,一般実施のためのオープン9Bモデルの空間的知覚を高めることが示唆された。

関連論文リスト

• GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives [90.01527882097555]
  共有語彙の量子化座標として点と箱を生成する4B基底基底モデルである GroundingPI を導入する。 トレーニングは、マルチモーダルおよび空間事前訓練、教師付き微調整、強化学習をGRPOと組み合わせる。 下流の視覚バックボーンとして、BoundingPIはロボット操作と自律運転の性能を改善している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:54Z)
• Uruqi: Learning Spatial Cognition from Visual Experience [24.19092824006856]
  我々は、視覚言語モデル(VLM)における空間認識を開発するためのスケーラブルな監視源として、スーパービジョンされた連続的な視覚体験を提供する。 我々は,11,738個のモチーフ駆動カメラ軌跡を広範囲の3Dシーンで合成し,自己動作追跡,永続オブジェクトマッピング,各視覚体験における豊かな空間操作をサポートする。 URUQI$_mathrmSyn$-8Bは、これらの原子質問を推論するモデルをトレーニングすることで、Uruqiベンチマークの精度を15.84%から47.73%に改善します。
  論文  参考訳（メタデータ） (2026-09-30T07:47:02Z)
• PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models [60.567497085815724]
  PhysBrain 1.5は、物理的な環境を理解し、アクションを生成し、将来の状態を予測するための統一モデルである。 事前トレーニングは、人間のインタラクションビデオから完全に具体化された監督を引き出す。 一般的なマルチモーダル機能を維持しながら、14のベンチマークで最高のオープンソース結果を達成する。
  論文  参考訳（メタデータ） (2026-09-14T03:25:46Z)
• OpenThoughts-Agent: Data Recipes for Agentic Models [99.10629645072653]
  OT-Agentプロジェクトはエージェントモデルをトレーニングするための完全にオープンなデータキュレーションパイプラインである。 パイプラインの各段階について100以上の制御アブレーション実験を行った。 このデータセットには、パイプラインから100Kのサンプルと微調整されたQwen3-32Bのトレーニングセットが組み込まれています。
  論文  参考訳（メタデータ） (2026-06-23T17:34:29Z)
• Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
  本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。 我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
  論文  参考訳（メタデータ） (2023-10-28T10:19:55Z)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。