मैजिकलैब ने घोषणा की है कि सामान्य रोबोट नियंत्रण के लिए बड़े विज़ुअल-लैंग्वेज मॉडल (VLM) पर आधारित इसकी एजेंट प्रणाली, जिसका नाम EchoPolicy-0 है, ने एलन इंस्टीट्यूट फॉर एआई (AI2) द्वारा संचालित MolmoSpaces की समग्र रैंकिंग में पहला स्थान हासिल किया है। सभी चार मैनिपुलेशन कार्यों के लिए औसत सफलता दर 75.4% रही।
MolmoSpaces इमर्सड एआई के लिए एक बेंचमार्क है, जिसे 230,000 से अधिक आंतरिक वातावरणों और लगभग 130,000 वस्तुओं के आधार पर बनाया गया है। पांडेइली ने AI2 द्वारा अपनी रैंकिंग के लिए प्रकाशित जानकारी से इसकी पुष्टि करके घोषित डेटा की जांच की।
EchoPolicy-0 को मैजिकलैब के तहत पंजीकृत किया गया है और यह विज़ुअल-लैंग्वेज मॉडल के रूप में Gemini-3.8-Flash का उपयोग करता है। इसका परीक्षण फ्रैंका मैनिपुलेटर पर चारों कार्यों में किया गया: पिक, पिक एंड प्लेस, ओपन एंड क्लोज। इन चारों कार्यों के लिए सफलता दरों का औसत लगभग 75.5% आता है, जो कंपनी द्वारा बताए गए 75.4% के अनुरूप है (राउंडिंग के बाद), और यह सभी चार कार्यों को कवर करने वाले सभी प्रस्तुत कार्यों में सबसे अधिक है।
EchoPolicy-0 की मुख्य विशेषता विज़ुअल-लैंग्वेज मॉडल, ज्यामितीय मैनिपुलेशन उपकरणों और समग्र कार्रवाई नीति को एक एकीकृत बंद लूप में संयोजित करना है, जिसमें अवलोकन, लक्ष्य की समझ, कौशल का चयन, कार्रवाई का निष्पादन और परिणाम की जाँच शामिल है। यदि कोई कार्रवाई अप्रभावी साबित होती है, तो फ्रेमवर्क काम जारी रखने, प्रयास दोहराने, पुन: योजना बनाने या पीछे हटने में सक्षम है। सिस्टम की मुख्य अवधारणा लक्ष्य पथ चयन है: कार्रवाई मॉडल कई संभावित गतिविधियों का प्रस्ताव करता है, जिन्हें फिर छवि पर प्रोजेक्ट किया जाता है, और विज़ुअल-लैंग्वेज मॉडल सत्यापन से पहले लक्ष्य के लिए सबसे उपयुक्त का चयन करता है।
इसके अलावा, मैजिकलैब ने MagicBrain प्रस्तुत किया है - एक मालिकाना प्रणाली जिसमें 3.4 बिलियन पैरामीटर हैं, जिसे कंपनी का दावा है कि यह समग्र रैंकिंग में चौथे स्थान पर है। AI2 के डेटा से पता चलता है कि MagicBrain पिक कार्य में 94.4% सफलता प्राप्त करता है। संदर्भ-आधारित विज़ुअल मार्गदर्शन नामक दृष्टिकोण से, VLM एजेंट छवि में लक्ष्य ढूंढता है, जबकि कार्रवाई मॉडल विशेष रूप से गति पर ध्यान केंद्रित करता है। कंपनी का कहना है कि उन्होंने जिन पकड़ने की विफलताओं का अध्ययन किया, उनमें से अधिकांश गलत वस्तु चुनने के कारण हुईं, न कि गति की अस्थिरता के कारण।
मैजिकलैब स्टूडियो के अनुसंधान प्रयोगशाला प्रमुख ने कहा कि टीम बहु-स्तरीय वास्तुकला पसंद करती है और मौजूदा मॉडलों के लिए निर्देशों का पालन करना एक प्रमुख चुनौती मानता है। EchoPolicy-0 एजेंट ऑर्केस्ट्रेशन और पथ मूल्यांकन के माध्यम से इस समस्या का समाधान करता है, जबकि MagicBrain इसे एंड-टू-एंड विज़ुअल मार्गदर्शन के माध्यम से हल करता है। यह ध्यान रखना महत्वपूर्ण है कि प्राप्त परिणाम सिमुलेशन परीक्षणों के परिणाम हैं, और मैजिकलैब ने अपने वाणिज्यिक रोबोटों में इन फ्रेमवर्क को लागू करने की समय-सीमा के बारे में कोई जानकारी प्रदान नहीं की है।