مقاله‌ی arXiv:2610.01939 · منتشرشده در کانال
Fewer Tokens, Better Action: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens
توکن کمتر، کنش بهتر: ایجنت‌های رباتیک با ۱۴ درصد موفقیت بیشتر و ۶۵ درصد توکن کمتر
- تاریخ
- (۹ مهر ۱۴۰۵) 2026-10-01 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Ruiyang Si, Jianxin Bi, Shunyu Yang, Rui Ni, Wenbo Huang, Qiang Wang, Shulong Jiang, Yintianrun Zhang, Feixiang Ruan, Kewei Zhang, Duomin Wang, Xiuyu Li, Haiwen Feng, Zhen Dong, Daquan Zhou
- نهاد نویسنده‌ها
- Peking University; National University of Singapore; NVIDIA; Impossible Research
خلاصه‌ی فارسی
مسئله
ایجنت‌های مبتنی بر مدل بینایی و زبان می‌توانند ربات‌ها را با بازخورد بصری و کنش‌های پایه کنترل کنند، اما فراخوانی‌های مکرر مدل زبانی و مشاهدات تکراری سربار توکن زیادی دارند؛ مثلاً برای هر حرکت کوچک یک تصویر کامل دوباره به مدل فرستاده می‌شود.
روش
چارچوب اجرای تعاملی کد PyRUA-Lean به ایجنت اجازه می‌دهد کنش‌های پایه‌ی ربات، از جمله سیاست‌های بینایی، زبان و کنش، را در سلول‌های پایتون ترکیب کند که به‌طور محلی بررسی و دوباره تلاش می‌کنند و فقط تصویرها و وضعیتی را که درخواست شده برمی‌گردانند. نویسنده‌ها بر این پایه یک مدل باز ۴ میلیاردی را با GRPO روی ۴۵ نمونه‌ی LIBERO-PRO آموزش دادند.
یافته‌ها
- در ۷۰۰ نمونه‌ی تسک شبیه‌سازی‌شده از LIBERO-PRO، RoboTwin ۲٫۰ و RoboCasa365، موفقیت را با همان برنامه‌ریز GPT-6 Astra و همان کنش‌های پایه از ۶۳٫۱ به ۷۱٫۷ درصد نسبت به فراخوانی ابزار رساند، با ۴۹ درصد فراخوانی کمتر مدل و ۶۵ درصد توکن ورودی کمتر روی نمونه‌های مشترکاً حل‌شده.
- روی RoboDojo بدون هیچ سیاست کنش یا اطلاعات ممتاز به میانگین موفقیت ۵۱٫۶ درصد رسید، ۱۹٫۴ امتیاز بالاتر از بهترین ورودی جدول عمومی.
- مدل باز ۴ میلیاردی آموزش‌دیده روی نمونه‌های دیده‌نشده از ۱۸٫۸ به ۴۴٫۱ درصد رسید و از مدل پایه‌ی Qwen3.5-27B بهتر بود.
محدودیت‌ها
نویسنده‌ها می‌گویند مقایسه‌ی رابط‌ها به GPT-6 Astra، پشته‌ها و کتابخانه‌های کنش پایه‌ی خودشان و شبیه‌سازی محدود است و برای هر نمونه یک اجرا دارد؛ تعمیم به برنامه‌ریزهای دیگر، تغییرپذیری بین اجراها و کارایی روی ربات واقعی آزموده نشده است.
چرا مهم است
هزینه‌ی توکن یکی از موانع استفاده از مدل‌های بزرگ برای کنترل ربات است. این کار نشان می‌دهد نوشتن کد به جای فراخوانی پیاپی ابزار، هم ارزان‌تر است و هم موفق‌تر.