मोक्सिन टेक्नोलॉजी ने असेंड पर भौतिकी सिमुलेशन के साथ 4डी वर्ल्ड मॉडल मोवर्ल्ड 2.0 प्रस्तुत किया
और पढ़ें
Pandaily
pandaily.com

मोक्सिन टेक्नोलॉजी ने असेंड पर भौतिकी सिमुलेशन के साथ 4डी वर्ल्ड मॉडल मोवर्ल्ड 2.0 प्रस्तुत किया

मोक्सिन टेक्नोलॉजी ने मोवर्ल्ड 2.0 प्रस्तुत किया, जो एक चार-आयामी विश्व मॉडल है जिसे सीधे हुआवेई असेंड हार्डवेयर पर प्रशिक्षित और लॉन्च किया गया था। यह प्रस्तुति 4 नवंबर को उचजेन में वर्ल्ड इंटरनेट कॉन्फ्रेंस फोरम में हुई।

यह रिलीज़ जुलाई में जारी किए गए पिछले संस्करण मोवर्ल्ड 1.0 का विकास है। कंपनी के अनुसार, मुख्य सुधार भौतिक प्रक्रियाओं का कार्यान्वयन है। मोवर्ल्ड 2.0 गुरुत्वाकर्षण, लोच, उत्प्लावकता, प्रकाश व्यवस्था और गर्मी जैसे कारकों के साथ-साथ ठोस पिंडों, नरम पिंडों, तरल पदार्थों और विकृत सामग्रियों के गुणों को निर्माण प्रक्रिया और स्थान के साथ इंटरैक्शन में एकीकृत करता है।

कार्य का परिणाम 4डी गाऊसी एसेट हैं, जिनका उपयोग सिमुलेशन के लिए किया जा सकता है, वास्तविक समय में रेंडर किया जा सकता है और बार-बार लागू किया जा सकता है। कई भौतिक पहलुओं के मॉडलिंग के कारण, मोक्सिन का दावा है कि मॉडल न केवल स्थान और वस्तुओं की उपस्थिति उत्पन्न करता है, बल्कि वास्तविक समय में यह भी निर्धारित करता है कि वस्तुएं कैसे परस्पर क्रिया करती हैं, उन पर बाहरी बल कैसे कार्य करते हैं और आसपास का वातावरण कैसे बदलता है।

प्रदर्शन के दौरान दिखाया गया कि हल्की हवा किताब के पन्नों को कैसे हिलाती है, और बुकमार्क फर्श पर कैसे गिरता है। इसके लिए हवा की शक्ति और दिशा, कागज की लचीलापन, बुकमार्क का वजन और फर्श की कठोरता को ध्यान में रखने की आवश्यकता थी। अन्य उदाहरण ऐसी दृश्यों को प्रदर्शित करते हैं जिन्हें संपादित और जिसके साथ इंटरैक्ट किया जा सकता है, साथ ही समय को तेज या धीमा करने की क्षमता भी होती है।

मोवर्ल्ड 2.0 को पूरी तरह से घरेलू असेंड कंप्यूटिंग बेस पर विकसित और लॉन्च किया गया था। मोक्सिन ने बताया कि उसने इन्फेरेंस सिस्टम के अनुकूलन, मल्टी-NPU शेड्यूलिंग और लंबी अनुक्रमों के प्रशिक्षण पर हुआवेई टीमों के साथ सहयोग किया। अपने अनुमानों के अनुसार, इन्फेरेंस की लागत समान पैमाने के जीपीयू की स्थापना लागत से 30% तक कम हो सकती है।

कंपनी ने गति में वृद्धि पर भी प्रकाश डाला: वीडियो इन्फेरेंस संस्करण 1.0 में चरम 50 फ्रेम प्रति सेकंड से बढ़कर लगभग 70 फ्रेम प्रति सेकंड हो गया। 3डी और 4डी गाऊसी एसेट का रेंडरिंग 500 फ्रेम प्रति सेकंड से अधिक है, और मोबाइल फोन पर परीक्षण लगभग 100 फ्रेम प्रति सेकंड तक पहुंचते हैं। पहले मोक्सिन ने हुआवेई के फोन मेट 90 पर मोवर्ल्ड का एक हल्का संस्करण प्रस्तुत किया था।

मोक्सिन विभिन्न क्षेत्रों में प्रौद्योगिकी के सत्यापन और कार्यान्वयन के लिए भागीदारों के साथ काम कर रही है। एम्बोडेड एआई (embodied AI) के लिए, मोवर्ल्ड 2.0 स्थानिक संरचना और बुनियादी भौतिक प्रतिक्रिया के साथ आभासी वातावरण बनाता है, जिससे रोबोट सिमुलेशन में अभ्यास और कार्यों को दोहरा सकते हैं। स्वायत्त ड्राइविंग के क्षेत्र में, मॉडल बारिश, बर्फ, गड्ढों और अचानक बाधाओं जैसी दुर्लभ घटनाओं के साथ परिदृश्य उत्पन्न करता है। अन्य अनुप्रयोगों में उत्पादन लाइनों और खदानों के औद्योगिक डिजिटल ट्विन्स का निर्माण, शहरी नियोजन, वर्चुअल पर्यटन और फिल्म और गेम उत्पादन के लिए पुन: प्रयोज्य दृश्यों का निर्माण शामिल है जो कैमरे की स्वतंत्र गति, वस्तुओं को संपादित करने और मौसम बदलने का समर्थन करते हैं।

समान कहानियाँ

AgiBot ने GO-3 प्रीव्यू रोबोट पेश किया, जिसने तीन रैंकिंग में पहला स्थान हासिल किया और एक ओपन-सोर्स प्रोजेक्ट बनने की योजना बना रहा है
और पढ़ें
pandaily.com

AgiBot ने GO-3 प्रीव्यू रोबोट पेश किया, जिसने तीन रैंकिंग में पहला स्थान हासिल किया और एक ओपन-सोर्स प्रोजेक्ट बनने की योजना बना रहा है

एजीआईबॉट कंपनी ने 29 अक्टूबर को GO-3 प्रीव्यू मॉडल जारी किया। कृत्रिम बुद्धिमत्ता का यह मूर्त मॉडल प्रारंभिक प्रशिक्षण के दौरान, उसके बाद और यहां तक कि काम में लागू होने के बाद भी सभी चरणों में सीखने की क्षमता रखता है। एजीआईबॉट वर्ष 2026 के अंत तक पूरे मॉडल को सार्वजनिक रूप से उपलब्ध कराने का इरादा रखती है।

GO-3 प्रीव्यू WRAM, या वर्ल्ड रीजनिंग एक्शन मॉडल नामक आर्किटेक्चर पर आधारित है। यह आर्किटेक्चर कार्य पर तर्क, भविष्य की घटनाओं की भविष्यवाणी और कार्यों के निर्माण को जोड़ता है, जिससे रोबोट निर्देश को समझ सकता है, परिणाम की भविष्यवाणी कर सकता है और उपयुक्त हरकतें कर सकता है।

इस मॉडल ने हाल ही में मूर्त एआई के लिए तीन रैंकिंग - RoboDojo, RoboTwin और RoboColiseum - में पहला स्थान हासिल किया है। एजीआईबॉट का दावा है कि मॉडल दो दिशाओं में स्केलेबल है। एक ओर, वस्तुओं के प्रसंस्करण और कार्यों के विकास के लिए समृद्ध उदाहरण प्रथम-व्यक्ति मानव वीडियो रिकॉर्डिंग द्वारा प्रदान किए जाते हैं, और रोबोट पथ अवलोकनों को कार्यों और भौतिक परिणामों से जोड़ते हैं।

दूसरी ओर, मॉडल की उच्च शिक्षण क्षमता इस बिखरे हुए अनुभव को ऐसे कौशल में बदल देती है जिन्हें नए कार्यों पर लागू किया जा सकता है। प्रारंभिक प्रशिक्षण के बाद, कंपनी बताती है कि रोबोट घरों, रसोई में, मल्टी-रोबोट सिस्टम में अज्ञात कार्यों को कर सकते हैं और अतिरिक्त फाइन-ट्यूनिंग के बिना सूक्ष्म हेरफेर कर सकते हैं।

कई प्रदर्शनों की मदद से, मॉडल लंबी और नाजुक प्रक्रियाओं को सीखने में सक्षम है, जैसे जियानबिन - एक चीनी मसालेदार पैनकेक बनाना। एजेंट द्वारा फाइन-ट्यूनिंग और कदमों के समन्वय के बाद, रोबोट लेगो के पुर्जे भी इकट्ठा कर सकता है।

प्रशिक्षण के बाद के चरण के लिए, एजीआईबॉट ने जीनियस इवॉल्वर नामक एक वितरित शिक्षण प्रणाली विकसित की है, जो लगभग सौ वास्तविक रोबोटों को भौतिकी सिमुलेशन और विश्व मॉडल के साथ जोड़ती है। टेबल पर कर्लिंग गेम में, रोबोट ने चार घंटे के ऑनलाइन प्रशिक्षण के बाद औसत परीक्षण किए गए व्यक्ति को पीछे छोड़ दिया। ब्लॉक टावरों वाले खेल में, यह स्थिरता बनाए रखते हुए लगातार पांच ब्लॉकों को बाहर निकालने में सक्षम था।

कार्यान्वयन के बाद, जीनियस मास्टर एजेंट संरचना तर्क, निष्पादन और प्रतिक्रिया के बीच संबंध सुनिश्चित करती है, जिससे रोबोट काम करने की प्रक्रिया में लगातार बेहतर हो सकते हैं। एजीआईबॉट G2 रोबोट, जो एक वास्तविक चौबीसों घंटे स्टोर में काम कर रहा था, ने अपने स्वयं के विफलताओं के कारणों का पता लगाया, अपने दृष्टिकोण को समायोजित किया और किसी मानव या ट्यूनिंग के बिना प्राप्त ज्ञान को बनाए रखा। पूर्ण कार्यप्रवाह पर इस रोबोट की सफलता पहले दिन 28.6 प्रतिशत से बढ़कर पांच दिनों में स्थिर 85.7 प्रतिशत हो गई।

छोटे हुक लटकाने जैसे कार्य में, एजीआईबॉट का दावा है कि इस विधि ने पारंपरिक नियंत्रित फाइन-ट्यूनिंग की तुलना में व्यक्तिगत कार्य की सफलता दर में 17.7 प्रतिशत अंकों की वृद्धि की है, और प्रशिक्षण प्रक्रिया ऑनलाइन जारी है।

MOSI और OpenMOSS ने टेक्स्ट और लेआउट नियंत्रण के लिए ओपन-सोर्स मॉडल MOSS-Image जारी किया
और पढ़ें
pandaily.com

MOSI और OpenMOSS ने टेक्स्ट और लेआउट नियंत्रण के लिए ओपन-सोर्स मॉडल MOSS-Image जारी किया

MOSI Intelligence टीम ने OpenMOSS टीम के साथ मिलकर MOSS-Image प्रस्तुत किया है - जो 5 अरब मापदंडों वाला एक टेक्स्ट-टू-इमेज रूपांतरण सिस्टम है। यह सिस्टम ग्राफिक सामग्री, जैसे उत्पाद शॉट्स और पोस्टर बनाने के लिए डिज़ाइन किया गया है, जहाँ न केवल उच्च छवि गुणवत्ता महत्वपूर्ण है, बल्कि टेक्स्ट का सघन प्लेसमेंट और लेआउट का सटीक पालन भी आवश्यक है।

रिलीज़ में MOSS-Image-Base और नियंत्रित फाइन-ट्यूनिंग से गुज़रा संस्करण MOSS-Image-SFT उपलब्ध हैं। इन मॉडलों के वज़न Hugging Face और ModelScope प्लेटफॉर्म पर Apache 2.0 लाइसेंस के तहत रखे गए हैं। तकनीकी रिपोर्ट के अनुसार, इस विकास में MOSI Intelligence, शंघाई इंस्टीट्यूट ऑफ इनोवेशन (SII), फ़ूडान विश्वविद्यालय और जियाओटून विश्वविद्यालय, शंघाई शामिल थे।

16 अक्टूबर को लॉन्च होने के कुछ ही दिनों बाद, चीनी तकनीकी मीडिया ने बताया कि यह मॉडल Hugging Face पर टेक्स्ट-टू-इमेज ट्रेंड्स की सूची में शीर्ष स्थान पर पहुंच गया था। समुदाय की गतिविधि बहुत अधिक थी: GitHub पर डाउनलोड और स्टार्स की संख्या तेजी से बढ़ी, और आधिकारिक रिपॉजिटरी ने 1.4 हजार से अधिक स्टार पार कर लिए। यह ध्यान रखना महत्वपूर्ण है कि ये आंकड़े कंपनी द्वारा सत्यापित मेट्रिक्स नहीं, बल्कि सामुदायिक डेटा हैं, और कई मिरर और डिस्टिल्ड कंट्रोल पॉइंट्स के कारण ये लगातार बदलते रहते हैं।

Reddit और X पर डेवलपर्स ने अन्य ओपन-वेट मॉडलों के साथ तुलनात्मक परीक्षण प्रकाशित किए हैं। समुदाय ने चरण 8 और 4 के डिस्टिलेशन, क्वांटाइजेशन पैकेज और ComfyUI के लिए वर्कफ़्लो भी जारी किए हैं।

टीम द्वारा पेश किया गया मुख्य लाभ नियंत्रण है। MOSS-Image 4096 टोकन तक के अनुरोध स्वीकार करता है और प्राकृतिक भाषा द्वारा निर्धारित रचना पर पूरी तरह निर्भर रहने के बजाय बाउंडिंग बॉक्स का उपयोग करके टेक्स्ट और ऑब्जेक्ट को परिभाषित करने वाले संरचित JSON लेआउट का उपयोग कर सकता है। टीम के लॉन्ग लॉन्ग टेक्स्ट बेंचमार्क पर परीक्षण के अनुसार, यह मॉडल ओपन-वेट मॉडलों में 96.3 प्रतिशत की औसत टेक्स्ट कवरेज प्रदर्शित करता है।

रियललेआउटअरेना बेंचमार्क पर, जो एंड-टू-एंड ब्लाइंड डिज़ाइन टेस्ट है, मॉडल का Elo स्कोर 1698.70 है। संक्षिप्त डिज़ाइन प्रॉम्प्ट का उपयोग करते समय यह GPT Image 2 से पीछे रहता है, लेकिन सामान्य उन्नत प्रॉम्प्ट लागू करने पर यह 1807.34 तक पहुंच जाता है, जो इसे टीम की अपनी मूल्यांकन प्रणाली के अनुसार दूसरी श्रेणी में पहले स्थान पर रखता है।

वास्तुकला के दृष्टिकोण से, MOSS-Image एक यूनिफाइड स्ट्रीम वाला डिफ्यूजन ट्रांसफार्मर है जिसे स्क्रैच से प्री-ट्रेन किया गया है। एकीकृत जनरेटिव पाथ एक फ्रीज्ड टेक्स्ट एन्कोडर Qwen3.5-9B और एक वेरिएशनल ऑटोएन्कोडर FLUX.2 को शक्ति प्रदान करता है। टीम के अनुसार, प्रशिक्षण नुस्खा में अधिक फोटोग्राफिक विविधता बनाए रखने के लिए AI-जनित छवियों को फ़िल्टर करना शामिल था, और प्रशिक्षण विषम GPU प्लेटफॉर्म पर किया गया था। Diffusers, ComfyUI, SGLang और vLLM-Omni के लिए एडेप्टर पहले से ही उपलब्ध हैं, और होस्टिंग API MOSI प्लेटफॉर्म पर शुरू कर दिया गया है।

ओपन वेट्स प्रदान करने से डिजाइनरों और एजेंट डेवलपर्स को जटिल लेआउट वाली कार्यप्रणाली के लिए एक कॉम्पैक्ट आधार मिलता है, बिना क्लोज्ड एपीआई तक पहुंचने की प्रतीक्षा किए। यह रेखांकित करना महत्वपूर्ण है कि सभी बेंचमार्किंग मेट्रिक्स और रैंकिंग टीम की रिपोर्ट और सामुदायिक डेटा पर आधारित हैं, और उन्हें स्वतंत्र प्रयोगशाला परिणामों के बजाय स्व-रिपोर्टेड या समुदाय-इकट्ठे संकेतों के रूप में देखा जाना चाहिए।

शेंगशु मोटुब्रेन 2.0 मॉडल जारी करने से पहले प्रशिक्षण प्रक्रिया का प्रसारण कर रहा है
और पढ़ें
pandaily.com

शेंगशु मोटुब्रेन 2.0 मॉडल जारी करने से पहले प्रशिक्षण प्रक्रिया का प्रसारण कर रहा है

शेंगशु टेक्नोलॉजी की ग्लोबल मॉडल्स टीम ने रोबोटों के लिए अपने एम्बोडीड आर्टिफिशियल इंटेलिजेंस मॉडल के अगले संस्करण, मोटुब्रेन 2.0 के पूर्ण प्रशिक्षण प्रक्रिया का सीधा प्रसारण शुरू किया है। यह प्रसारण 21 अक्टूबर को शुरू हुआ और लगभग दो सप्ताह तक चलने की योजना है।

कंपनी ने बताया कि मोटुब्रेन 2.0 जल्द ही सार्वजनिक रूप से जारी किया जाएगा, और इस रिलीज़ से पहले प्रशिक्षण प्रक्रिया का प्रदर्शन करने का निर्णय लिया है।

मोटुब्रेन मॉडल शेंगशु के रोबोट फंडामेंटल मॉडल परिवार का हिस्सा हैं, जिसका उद्देश्य रोबोटों को एक सार्वभौमिक मस्तिष्क प्रदान करना है जो विभिन्न कार्यों, परिदृश्यों और विभिन्न प्रकार के रोबोटों पर कौशल लागू कर सके। मोटुब्रेन का पहला संस्करण अप्रैल में एक वैश्विक मॉडल के रूप में प्रस्तुत किया गया था। यह ध्यान रखना महत्वपूर्ण है कि शेंगशु अपने वीडियो जनरेशन मॉडल विडू (Vidu) के लिए अधिक प्रसिद्ध है।

प्रसारण की संरचना

सीधा प्रसारण चार चरणों में विभाजित है। प्री-ट्रेनिंग चरण यह जांचता है कि प्रशिक्षण का पैमाना शून्य-शॉट स्थितियों में प्रदर्शन और सामान्यीकरण क्षमता को कैसे प्रभावित करता है। बाद का प्रशिक्षण सुधार के लिए विशिष्ट कार्यों को पूरा करने पर केंद्रित है। इसके बाद एजेंट टास्क चरण आता है, जो जांचता है कि क्या मॉडल प्राप्त ज्ञान को अन्य कार्यों पर स्थानांतरित कर सकता है। अंतिम चरण पुनरावर्ती आत्म-सुधार को समर्पित है, ताकि यह पता लगाया जा सके कि क्या मॉडल प्रतिक्रिया के आधार पर अपनी कार्रवाइयों का मूल्यांकन कर सकता है और उन्हें बेहतर बना सकता है।

लाइव स्ट्रीमिंग पेज पर सीखने के चरणों और सफलता मूल्यांकन संकेतकों को अपडेट होने पर प्रदर्शित किया जाता है।

इस प्रदर्शन का मुख्य विचार पारदर्शिता है। आमतौर पर एम्बोडीड एआई में प्रगति का आकलन बाहरी पर्यवेक्षकों द्वारा पॉलिश किए गए रोबोट प्रदर्शनों, बेंचमार्क तालिकाओं और वैज्ञानिक लेखों के माध्यम से किया जाता है, जो यह कम बताते हैं कि प्रशिक्षण प्रक्रिया के दौरान क्षमताएं वास्तव में कैसे बनती हैं या क्या समस्याएं उत्पन्न होती हैं। शेंगशु का दावा है कि प्रसारण न केवल सफलताओं, बल्कि गलतियों, प्रयास और त्रुटि की प्रक्रिया और समायोजन को भी दिखाएगा, और यह स्केलिंग, क्रॉस-टास्क सामान्यीकरण और स्वायत्त सुधार से संबंधित खुले प्रश्नों को अन्य शोधकर्ताओं के साथ साझा करने की उम्मीद करता है।

यह कदम एआई के क्षेत्र में चीनी टीमों के बीच एक व्यापक प्रवृत्ति के अनुरूप है, जो प्रशिक्षण प्रगति को सार्वजनिक रूप से साझा करती हैं। इससे पहले, शियाओमी के MiMo मॉडल के प्रमुख लो फूली ने MiMo-V2.6 के लिए रीइन्फोर्समेंट ट्रेनिंग चरण का विवरण प्रकाशित किया था।

हालांकि, सीधी स्ट्रीमिंग द्वारा सिद्ध की जा सकने वाली सीमाएं हैं। मॉडल वज़न अभी तक जारी नहीं किए गए हैं, और कंपनी स्वयं कहती है कि शोध अनुसंधान प्रकृति का बना हुआ है, और परिणामों की पुष्टि के लिए बाद के प्रयोगों और मूल्यांकन की आवश्यकता होगी। यह घोषणा शेंगशु द्वारा की गई थी और चीनी तकनीकी मीडिया द्वारा कवर की गई थी। वास्तविक परीक्षा सार्वजनिक रिलीज और स्ट्रीम में दिखाए गए बेंचमार्क के अनुरूप होने पर होगी।

लोकप्रिय