روبوٹکس کوئز کے لیے ویژن-لینگویج-ایکشن ماڈلز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. ان پٹ/آؤٹ پٹ کی کون سی تین قسمیں وژن-لینگویج-ایکشن (VLA) ماڈل کی وضاحت کرتی ہیں؟
   • کیمرے کی تصاویر، ایک زبان کی ہدایات، اور روبوٹ کی کارروائیاں
   • آڈیو، متن اور تصاویر
   • سینسر لاگز، GPS، اور بیٹری کی حالت
   • کوڈ، کمپائلر آؤٹ پٹ، اور ٹیسٹ کے نتائج
2. Google ڈیپ مائنڈ کا RT-2 روبوٹ کے اعمال کی نمائندگی کیسے کرتا ہے تاکہ ایک ٹرانسفارمر انہیں تیار کر سکے؟
   • صرف مسلسل فلوٹنگ پوائنٹ ویکٹر کے طور پر
   • ٹیکسٹ ٹوکنز کی طرح ڈسکریٹائزڈ ایکشن ٹوکنز
   • ROS پیغام XML کے بطور
   • کمک سیکھنے کے لیے انعامی اقدار کے طور پر
3. VLAs کے تناظر میں 'ایمرجنٹ ٹرانسفر' کا کیا مطلب ہے؟
   • روبوٹ زیادہ گرم اور بند ہو جاتا ہے۔
   • دو روبوٹ اپنے سافٹ ویئر کو تبدیل کرتے ہیں۔
   • پہلے سے تربیت سے ویب پیمانے پر علم روبوٹ کو نئی اشیاء اور ہدایات کو سنبھالنے میں مدد کرتا ہے۔
   • اعمال کو بغیر کسی عصبی نیٹ ورک کے شمار کیا جاتا ہے۔
4. سنگل ڈسکریٹ ایکشن ٹوکن کے مقابلے pi-0 کے ڈفیوژن/فلو میچنگ ایکشن ہیڈ کا اہم فائدہ کیا ہے؟
   • یہ کسی بھی کیمروں کی ضرورت کو دور کرتا ہے۔
   • یہ صرف تخروپن میں کام کرتا ہے۔
   • یہ زبان کی ہدایات کو ختم کرتا ہے۔
   • یہ زیادہ قابل کنٹرول کنٹرول کے لیے ہموار، اعلی تعدد ایکشن ٹکڑوں کو پیدا کرتا ہے
5. اوپن ایکس ایمبوڈیمنٹ ڈیٹاسیٹ VLAs کے لیے کیوں اہمیت رکھتا ہے؟
   • یہ روبوٹ ڈیٹا کو کئی روبوٹ اقسام میں جمع کرتا ہے تاکہ کراس امبوڈیمنٹ جنرلائزیشن کو فعال کیا جا سکے۔
   • یہ صرف تصویر کیپشننگ کے لیے ایک معیار ہے۔
   • یہ صرف ایک روبوٹ کا ڈیٹا محفوظ کرتا ہے۔
   • یہ صرف زبان کا ٹیکسٹ کارپس ہے۔
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