Pular para o conteúdo
  • BTC $60.456 +3,1%
  • ETH $1.688 +5,6%
  • SOL $70,62 +4,2%
  • BNB $549,77 +2,8%
  • XRP $0,9341 +5,0%
  • DOGE $0,0553 +4,2%
  • ADA $0,1449 +4,0%

O treinamento em tempo de teste em robótica não mostra ganhos claros na resposta à demonstração

A adição de treinamento em tempo de teste a modelos de robótica não produziu uma seleção de alvos consistente guiada por demonstrações humanas em um estudo submetido em 23 de outubro de 2026. Os pesquisadores testaram a abordagem no InternVLA-A1 e no Pi0.5, constatando que as mudanças de treinamento que eles examinaram não melhoraram de forma clara a capacidade de resposta nas configurações…

test-time training robotics
Test-Time Training Robotics Study Finds Limited Improvements

Adicionar treinamento em tempo de teste a modelos de robótica não produziu uma seleção de alvos consistente guiada por demonstrações humanas em um estudo submetido em 23 de outubro de 2026. Os pesquisadores testaram a abordagem em InternVLA-A1 e Pi0.5, constatando que as mudanças de treinamento que examinaram não melhoraram de forma clara a capacidade de resposta nas configurações testadas.

O estudo, de Qiangong Zhou, Jiafeng Liang, Yimin Dong, Yang He e Hongxiang Li, investigou como os modelos geram ações de robôs usando demonstrações humanas. Suas conclusões se aplicam à escala de treinamento e às configurações experimentais testadas.

Como o estudo testou o treinamento em tempo de teste em robótica

Os pesquisadores integraram o Treinamento em Tempo de Teste (TTT) aos dois modelos visão-linguagem-ação e os treinaram usando demonstrações humanas emparelhadas com trajetórias de robôs. O TTT armazena informações contextuais em pesos rápidos; o estudo examina seu uso para tarefas que exigem que robôs retenham e utilizem informações anteriores.

A implementação incluiu transferência de memória entre fases de treinamento e retropropagação truncada. Os experimentos abrangeram demonstrações apresentadas como vídeos, vídeos mais curtos e pistas de quadro único, enquanto examinavam objetivos de treinamento, cobertura de gradiente e regularização contrastiva.

Nem sequências mais curtas nem conectividade de gradiente ao longo de toda a trajetória produziram uma melhoria clara na capacidade de resposta às demonstrações. A regularização contrastiva também não mostrou benefício claro nas configurações testadas. Adicionar TTT juntamente com treinamento em dados emparelhados não tornou consistente a seleção de alvos baseada em demonstrações na escala atual.

Nos testes com pistas de quadro único, a execução em um robô real mostrou preferência por copos localizados em posições fixas.

Os pesquisadores documentaram sua implementação, configurações de treinamento e observações experimentais para apoiar uma inspeção mais detalhada e a replicação do trabalho.

Artigo produzido com a assistência de inteligência artificial e revisado pela equipe editorial.

Francesco Antonio Russo

Todos os artigos de Francesco Antonio Russo