LiberAI’den Liber-0: İnsan Deneyimini Robot Eylemine Temelleyen Dünya Aksiyon Modeli.

LiberAI, sıfır-atış (zero-shot) robot manipülasyonunu desteklemek için 2,2 milyondan fazla insan deneyim saatiyle önceden eğitilen bir dünya eylem modeli (WAM) olan Liber-0’ı tanıttı. GPT-6’ın önerdiği 60 görevin değerlendirilmesinde, bu hedef görevler için özel olarak toplanan robot gösterimleri olmadan %36,0 genel başarı elde etti. Model, insan manipülasyon deneyimini robotlara aktarmak için ölçekli insan videoları, eldivenle kaydedilen el hareketleri ve bedenleme hizalamasını bir araya getiriyor.

Liber-0, GPT-6’ın önerdiği 60 görevin sıfır-atış değerlendirmesinde %36,0 genel başarı sağladı.

LiberAI, 2,2 milyondan fazla insan deneyim saatiyle önceden eğitilen bir dünya eylem modeli (WAM) olan Liber-0’ı tanıttı. Pekin merkezli girişim, modelin insan videolarını eldivenle kaydedilen hareketlerle ve bedenlemeye koşullu öğrenme ile birleştirerek insan manipülasyon deneyimini robotlara aktardığını söyledi.

Liber-0’ın genelleşmesinin merkezinde, robot gösterimlerinin hedef görevler için özel olarak toplanmadan görevleri yerine getirebilme yeteneği yatıyor. LiberAI, modeli iç ölçeklendirme ölçütlerinden ayrı olan 60 GPT-6 önerili görevden oluşan ayrı bir küme üzerinde değerlendirdi: 20 yerleştirme-al (PnP) görevi, 20 PnP olmayan manipülasyon görevi ve 20 zorlu PnP olmayan ve uzun süreli görev.

Küme örnekleri arasında kalem kılıfına kalem koyma, bir çekmeceyi kapatma ve kalemin bir kılıfa konulup kılıfın bir çekmeceye kaldırıldığı daha uzun bir dizileme yer alıyor.

LiberAI, yerleştirme-al görevlerinde %63,5, PnP olmayan manipülasyon görevlerinde %34,0 ve zorlu PnP olmayan ve uzun süreli görevlerde %10,5 başarı oranı bildirdi; 600 denemede genel başarı oranı %36,0 oldu.

Bu bağlamda sıfır-atış, değerlendirilen checkpoint’in bu hedef görevler için özel olarak toplanan robot gösterimleriyle eğitilmediği anlamına gelir; önceden eğitim yine robot verilerini içeriyordu.

Neden insanlardan öğrenelim?

Robot manipülasyonu tarihsel olarak, genellikle bir insan operatörün makineyi uzaktan yönetmesiyle kaydedilen, belirli bir görev için belirli bir robota özgü gösterimlere yoğun biçimde dayanmıştır. Bu veriler kullanım koşullarına yakından uysa da, toplanması yavaş ve pahalıdır; özellikle yeni görevler veya robot platformları ek gösterimler gerektirdiğinde bu durum daha da belirginleşir. İnsan faaliyetleri çok daha yaygındır ve bunların büyük bir kısmı zaten görüntü biçimindedir.

LiberAI’ye göre engel, insan görüntülerinin doğrudan robot komutlarına dönüştürülememesidir. Kameralar farklı konumlarda yer alır, görüntüden tahmin edilen el pozisyonları gürültülüdür ve insan bedenleri robotlardan farklı hareket eder.

Liber-0, insan deneyimini robot eylemiyle üç biçimde birleştirir. Birinci olarak, LiberAI’nin veri toplama sistemi olan LiberSense Eldiven, el hareketlerini doğrudan kaydeder ve insan görüntülerini onların ardındaki hareketlerle bağlamaya yardımcı olur. İkinci olarak, LiberAI’nin robot platformu, insan hareketlerine daha yakından uyan kamera açıları ve el, bilek ve bel hareketlerini kullanır, böylece becerilerin aktarımı kolaylaşır. Üçüncü olarak, Birleşik Beden Temsili, modele beden biçimi ve ekim hareketleri hakkında bilgi vererek eylemlerin onları gerçekleştiren bedenlere uyarlanmasını sağlar.

Liber-0, gelecek görüntü karelerini ve eylemleri birlikte tahmin eder. Bu sayede, ölçülmüş hareket içeren eldiven ve robot kayıtlarının yanı sıra, eylem etiketleri olmadan sıradan görüntülerden öğrenebilir.

İnsandan rotoa aktarım. Eylem temelli insan kayıtlarının ve görsel ile kinematik hizalamanın LEO’ya aktarımı nasıl desteklediğini gösteren kavramsal bir illüstrasyon.

Robot verilerinin eksik olduğu eylemlerin öğrenilmesi

Glove verileri, politikanın robot verilerinde bulunmayan davranışları da ekleyebilir. LiberAI, robot gösterimlerinin yalnızca alma-bırakma işlerini kapsadığı politikaları eğitti; glove gösterimleri ise katlama, presleme ve açma gibi eylemleri içeriyordu. Performans, kısmi tamamlamayı da hesaba katan 0 ile 100 arasında bir ölçü olan ilerleme skoru üzerinden, dört alma-bırakma ve altı alma-bırakma dışı görevde ölçüldü. Yalnızca robot verisiyle alma-bırakma dışı görevlerdeki ilerleme skoru 2.2’ydi. Bu eylemlerin glove kayıtlarının eklenmesi bunu 47.5’e, glove setine ayrıca alma-bırakma eylemlerinin de dahil edilmesi ise 54.6’ya çıkardı; bu da her eylemin robot gösterimleriyle eğitilen bir politikanın attığı 56.3 skora yakındı. Bu kontrollü deney, 60 görevlik kitleden bağımsızdır: eylemler glove gösterimlerinde yer alırken politikalın robot gösterimlerinde yer almıyordu.

Robot verisinin dörtte biri

Ayrı bir deney, glove kayıtlarının robot gösterimlerine olan ihtiyacı azaltıp azaltamayacağını inceliyor. LiberAI’nin robot platformunda, hem tam robot hem de glove havuzunun eşit sayıda gösterim içereği sekiz görevlik değerlendirmede, robot havuzunun 25%’si artı glove havuzunun %100’üyle eğitilen bir politika 75.6 ilerleme skoru elde etti. Robot havuzunun %100’üyle eğitilen bir politika ise 72.8 skor aldı.

Bu ortamda glove kayıtları, %75 daha az robot gösterimiyle karşılaştırılabilir bir performans sundu. Tasarruf, karışık politikanın glove havuzunun tamamını kullanmaya devam etmesi nedeniyle özellikle robot gösterimlerine ait. Her sahilde bir robote ihtiyaç gerektirmeyen glove toplama nedeniyle LiberAI, deneyimin daha fazla insandan, daha fazla yerden ve potansiyel olarak daha düşük maliyetle toplanabileceğini söylüyor.

Öğretilen modelin doğrudan değerlendirilmesi

LiberAI’nin iç ölçümlerinde, öğretilen checkpoint, doğrudan değerlendirildiğinde alma-bırakma görevlerinde 81.4, alma-bırakma dışı görevlerde 72.3 ilerleme skoru elde etti. Robot sonrası eğitim bu skorları sırasıyla 2.2 ve 1.5 puan artırarak 83.6 ve 73.8’e çıkardı. LiberAI, küçük kazanımın, öğretilen modelin değerlendirmeye alınan görevler için gereken yeteneğin büyük kısmını zaten yakaladığını gösterdiğini söyledi.

LiberAI, kullanıcıların kendi nesnelerini yükleyip Liber-0’ın bunları sanal ortamda nasıl manipüle ettiğini izleyebilecekleri etkileşimli bir simülasyon geliştirdi. Simülasyon, nesne düzeyinde genelleme gösteriyor: Bu model sürümü, 100 saatlik simüle edilmiş teleoperasyon verisi üzerinde post-eğitildi ve nesneye özel herhangi bir eğitim almıyor.

“İnsan videoları insanların ne yaptığını gösterir, ancak ellerinin tam olarak nasıl hareket ettiğini ya da bu hareketin farklı bir vücuda nasıl uyduğunu göstermez,” diyor LiberAI’ın kurucusu ve CEO’su Songming Liu. “Bu deneyimi ölçülebilir harekete temellendirmek ve robotun vücuduyla hizalamak, onu robot yeteneğine dönüştürüyor.”

Liber-0’ı tanıtırız: sıfır gösterimli (zero-shot) robot manipülasyonu—including ince beceri gerektiren, çok adımlı görevler için dünya eylem modeli (World Action Model).

GPT-6 tarafından önerilen 60 görev ve 600 deneme üzerinde, Liber-0, bu görevler için özel olarak toplanmış robot gösterimleri olmaksızın %36 genel başarı elde etti:
• Al-ve-koy: %63,5
• Diğer manipülasyon görevleri: %34,0
• Zorlu çok adımlı görevler: %10,5

Sıfır gösterimli yetenek, bireysel eylemlerden koordineli sıralamalara kadar uzanır.

2,2M+ saatlik insan deneyimi üzerinde önceden eğitilen Liber-0, insan deneyimini robot becerisine dönüştürmek için gelecekteki gözlemleri ve eylemleri birlikte tahmin eder.

Teknik blog: https://t.co/X5NMTjsr8r

— LiberAI (@liberai_robot) 4 Kasım 2026

LiberAI için bir sonraki adım

LiberAI, LiberSense Glove’in şu anda el pozlarını ve yolları kaydedip teması ya da kuvveti kaydetmediğini belirtiyor; bunlar yerleştirme, sıkıştırma ve yumuşak malzemelerle uğraşma için önemlidir. Dokunsal ve kuvvet algılama ile daha geniş bir ev ortamında veri toplama, geleceğin araştırma alanları olarak öne çıkıyor.

Liber-0’ı eylem halinde izleyin ve tam değerlendirmeyi LiberAI üzerinde keşfedin. Modeller, robotik, LiberSense Glove ya da diğer fırsatlar konusunda işbirliği için LiberAI ekibiyle web sitesi üzerinden iletişime geçin.

LiberAI tarafından sponsorlanmış içerik