新闻X3 天前
UCSD开源ORA v0.1零样本机器人框架,RoboDojo成功率升至39.9%
本文由 AI 根据公开内容整理,可能有误,请以原文为准:Releasing ORA v0.1, our open harness for zero-shot robot use!(X:UCSD Hao AI Lab (@haoailab)(via AIHOT))
核心内容
UCSD Hao AI Lab正式开源零样本机器人使用工具ORA v0.1(GitHub: fast-rua/ORA),旨在解决通用大模型在物理交互中的落地难题。相比10月预览版,新版本在RoboDojo基准测试上的任务成功率从5.2%大幅提升至39.9%,在RoboTwin上从71.5%提升至79.6%。该项目同步启动FastRUA计划,致力于构建更高效的开放机器人智能体生态,为具身智能研究提供了可复现的高性能基线。
技术架构上,ORA采用DeepSeek V4.1-Flash的代码生成模式替代传统API工具调用,在59个配对案例中解决20个任务,远超工具调用模式的6个。系统底层集成cuRobo运动规划器,基于深度图像构建实时地图进行轨迹优化,使RoboDojo和RoboTwin的碰撞中止率分别由14.1%和18.4%降至7.0%和6.8%。评测显示该框架表现与Terminal-Bench高度吻合,证实了终端代码执行能力是预测机器人操作性能的关键指标。
关键看点
- 零样本性能跃升:ORA v0.1在RoboDojo基准成功率达39.9%,较预览版提升34.7个百分点,RoboTwin提升至79.6%
- 代码模式优势:DeepSeek V4.1-Flash代码生成模式解决20/59案例,显著优于工具调用模式的6/59,突破步数限制瓶颈
- cuRobo安全规划:集成cuRobo并基于深度图建图,RoboDojo碰撞中止率从14.1%降至7.0%,动作流畅度大幅改善
- 评测基准对齐:六款开源模型对比显示,机器人操作能力与Terminal-Bench终端任务表现最为吻合,验证代码能力迁移性
工程与产业观察
ORA v0.1证实“LLM代码生成+GPU加速规划器”是提升零样本具身操作的有效范式。代码模式相比结构化API更能表达复杂时序逻辑,而cuRobo的引入补齐了大模型在几何约束与避障上的短板。该工作表明,评估具身模型应关注终端代码执行基准而非纯对话能力,为算法选型与数据工程提供了明确指引。
线索来源:AIHOT
外部来源
本页事实对应的公开页面,以原文为准。(点击将离开本站)