כתבה
arXiv cs.AI ·
התנאיים הגאומטריים ב-SLM: אימון ובדיקות רובוסטיות
Geometry Conditioning in an Embodied SLM: Training Controls and Robustness Diagnostics in a 0.8B Hybrid Model
במאמר זה נחקר כיצד קלטי מצב פיזיים משפיעים על מודל שפה-לשפה משולב 0.8B שהותאם למניפולציה. המודל, שכולל 6.2M פרמטרים ראשוניים, נאמן על שישה תנאים שונים ובודק על שלוש זרעים ו-540 רולאות נשארים. התנאים הגאומטריים נאמנים 28.9%, והשוואה עם תנאים שבהם הקלטים הגאומטריים הוזזו באימון ו-24.4% כשלא ניתנו קלטים גאומטריים נכונים.
תקציר מקורי באנגליתarXiv:2609.09213v1 Announce Type: cross Abstract: We study how physical-state inputs affect a 0.8B hybrid language model adapted for manipulation with 6.2M trainable parameters. Six conditions are trained on three LIBERO-Spatial tasks and evaluated over three seeds and 540 held-out rollouts. Conditioning recurrent decay gates on geometric increments yields 28.9% success, compared with 36.7% when those increments are shuffled during training and 24.4% without explicit object/goal geometry. Both geometry policies receive correct inputs at evaluation. A token adapter using the same increments scores 27.8%; differences vary across seeds and remain inconclusive. Token-clock conditioning scores 11.1%, including one seed that fails to converge. In separate robustness tests, a state-only relative-
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית