G0.5: Singolo Flusso Autoregressivo per Ragionamento e Azione del Robot

Una recente pubblicazione su arXiv (2608.11739) presenta G0.5, un modello autoregressivo Visione-Linguaggio-Azione (VLA) che integra ragionamento e generazione di azioni all'interno di un decoder trasformatore unificato. In contrasto con i modelli VLA tradizionali che combinano un modello Visione-Linguaggio (VLM) preaddestrato con un esperto di azioni addestrato separatamente, G0.5 posiziona il VLM come decisore invece che come semplice codificatore di contesto. Il modello genera sia token di ragionamento che di azione da un unico obiettivo, facilitato da tre componenti innovative: un tokenizzatore di azioni apprendibile che allinea varie azioni del robot con un vocabolario comune, un flusso nativo di catena di pensiero che fonde la scomposizione dei compiti, il grounding degli oggetti e suggerimenti di azione con token di azione, e un modulo di memoria visiva che incorpora una storia di multi-secondi tramite il codificatore visivo. Questa struttura di pesi condivisi consente alle capacità del VLM preaddestrato di migliorare le azioni fisiche, permettendo al modello di aderire strettamente alle istruzioni e di regolare la granularità delle azioni tramite prompt. L'articolo è categorizzato come una sottomissione di tipo incrociato su arXiv.