RT-2

RT-2 как эталонная архитектура VLA для перехода от восприятия к действию

В статье от 17 мая 2026 года RT-2 от Google DeepMind выделяется в качестве ключевого примера модели класса VLA (Vision-Language-Action), которая принципиально отличается от моделей, лишь описывающих сцену. В отличие от VLM, способных только проанализировать изображение, RT-2 принимает визуальные данные и текстовые инструкции, генерируя конкретную последовательность действий для робота. Это положение делает модель центральным элементом в дискуссии о смене критериев успеха робототехники: от точности предсказания к способности безопасно выполнять физические задачи.

Фактор: RT-2 демонстрирует переход от пассивного описания окружения к активному управлению роботом, требуя оценки не только понимания задачи, но и физической выполнимости действий.

Риск: Внедрение архитектур типа RT-2 создает риск «галлюцинаций» в физике, когда модель уверенно планирует действие, которое в реальности приведет к столкновению или поломке оборудования.

Фактор: Эффективность RT-2 зависит от учета специфики конкретного «тела» робота, так как универсальная политика поведения может быть опасной из-за различий в инерции и точности датчиков разных устройств.

Подробнее →