रोबोटिक्स क्विज़ के लिए विज़न-लैंग्वेज-एक्शन मॉडल

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. कौन से तीन प्रकार के इनपुट/आउटपुट विज़न-लैंग्वेज-एक्शन (वीएलए) मॉडल को परिभाषित करते हैं?
   • कैमरा छवियाँ, एक भाषा निर्देश, और रोबोट क्रियाएँ
   • ऑडियो, पाठ और छवियाँ
   • सेंसर लॉग, जीपीएस और बैटरी स्थिति
   • कोड, कंपाइलर आउटपुट और परीक्षण परिणाम
2. Google डीपमाइंड का RT-2 रोबोट क्रियाओं का प्रतिनिधित्व कैसे करता है ताकि एक ट्रांसफार्मर उन्हें उत्पन्न कर सके?
   • केवल निरंतर फ़्लोटिंग-पॉइंट वैक्टर के रूप में
   • विवेकाधीन कार्रवाई टोकन के रूप में, टेक्स्ट टोकन के समान
   • ROS संदेश XML के रूप में
   • सुदृढीकरण सीखने के लिए पुरस्कार मूल्यों के रूप में
3. वीएलए के संदर्भ में 'आकस्मिक स्थानांतरण' का क्या अर्थ है?
   • रोबोट ज़्यादा गरम हो जाता है और बंद हो जाता है
   • दो रोबोट अपने सॉफ़्टवेयर की अदला-बदली करते हैं
   • पूर्व-प्रशिक्षण से प्राप्त वेब-स्केल ज्ञान रोबोट को नई वस्तुओं और निर्देशों को संभालने में मदद करता है
   • क्रियाओं की गणना बिना किसी तंत्रिका नेटवर्क के की जाती है
4. एकल असतत क्रिया टोकन की तुलना में pi-0 के प्रसार/प्रवाह-मिलान क्रिया शीर्ष का मुख्य लाभ क्या है?
   • यह किसी भी कैमरे की आवश्यकता को हटा देता है
   • यह केवल अनुकरण में काम करता है
   • यह भाषा निर्देश को समाप्त कर देता है
   • यह अधिक कुशल नियंत्रण के लिए सहज, उच्च-आवृत्ति क्रिया खंड उत्पन्न करता है
5. वीएलए के लिए ओपन एक्स-एम्बोडिमेंट डेटासेट क्यों मायने रखता है?
   • यह क्रॉस-अवतार सामान्यीकरण को सक्षम करने के लिए कई रोबोट प्रकारों में रोबोट डेटा को पूल करता है
   • यह केवल छवि कैप्शनिंग के लिए एक बेंचमार्क है
   • यह केवल एक रोबोट का डेटा स्टोर करता है
   • यह केवल भाषा का पाठ कोष है
6. Which data sources did DeepMind combine when co-fine-tuning RT-2?
   • Only a fixed list of hand-written joint commands
   • Robot demonstration data and web data with a pretrained vision-language model
   • Only audio recordings without robot observations
   • Only random action tokens with no examples
7. What kinds of commands can an RT-2-style action representation encode?
   • Only natural-language explanations with no robot controls
   • A fixed video caption for each camera frame
   • Discretized robot motion and gripper commands represented as tokens
   • A robot’s hardware serial number
8. How broad was the RT-2 evaluation of emergent capabilities reported by Google DeepMind?
   • Exactly 12 trials
   • One trial for every robot type worldwide
   • No physical robot trials
   • More than 6,000 robotic trials