Orca - chiński model świata uczy się robotyki bez jednej etykiety akcji

Robotycy od lat biją głową w ten sam mur: brakuje danych oznaczonych. Każda pozycja ramienia, każdy ruch chwytaka - wszystko trzeba ręcznie opisać, a skala takich zbiorów jest ograniczona. Beijing Academy of Artificial Intelligence (BAAI) postanowiło ominąć ten problem całkowicie. Efektem jest Orca - model, który nauczył się sterować robotem, nie widząc nigdy żadnej etykiety akcji podczas wstępnego treningu.

Brzmi jak jedno z tych twierdzeń na konferencji, po których sala patrzy sceptycznie. Tymczasem wyniki opublikowane na arXiv 29 czerwca 2026 roku pokazują, że Orca osiąga porównywalną skuteczność z π0.5 - specjalistycznym systemem Physical Intelligence trenowanym na ogromnych zbiorach danych robotycznych. I robi to, startując praktycznie z zera, jeśli chodzi o wiedzę o akcjach.

Przewidywanie Następnego Stanu kontra reszta świata

Większość modeli AI uczy się jednego: przewidywania następnego tokenu, następnej klatki albo następnej akcji. Orca idzie inną ścieżką. Autorzy badania opisują swój pomysł jako podejście „Przewidywania Następnego Stanu” - zamiast izolować osobne zadania, model uczy się zunifikowanej reprezentacji stanów świata z sygnałów wielomodalnych. To nie jest subtelna różnica techniczna - to inny paradygmat myślenia o tym, co w ogóle model ma rozumieć.

Wstępny trening objął 125 tysięcy godzin nagrań wideo i 160 milionów opisów zdarzeń. Cztery rodzaje materiałów: ujęcia z pierwszej osoby, ujęcia z trzeciej osoby, nagrania robotów bez danych akcji i naturalne sceny z życia codziennego. Do tego 11,5 miliona par pytań i odpowiedzi. Zero etykiet akcji - dosłownie ani jednej.

Protip ✅

Tylko 1/10 dostępnych nagrań wideo trafiła do aktualnej wersji modelu. BAAI otwarcie przyznaje, że zbiór danych ma jeszcze 10-krotny potencjał skalowania - co sugeruje, że wyniki mogą być znacznie lepsze przy pełnym treningu.

Po wstępnym treningu kręgosłup modelu zostaje zamrożony. Dalszy trening obejmuje wyłącznie lekkie moduły dekoderów - osobny dla tekstu, osobny dla obrazu, osobny dla akcji. Taka architektura ma praktyczną zaletę: żeby dodać nowy typ wyjścia, nie trzeba przeprowadzać całego procesu wstępnego treningu od nowa, wystarczy wytrenować lżejszy dekoder. Dekoder dla akcji to tzw. Ekspert Akcji oparty na architekturze DiT, trenowany na 200 rzeczywistych nagraniach na jedno zadanie manipulacyjne.

Pięć zadań, trzech konkurentów i kilka niewygodnych liczb

Testy odbyły się na pięciu zadaniach manipulacyjnych z udziałem prawdziwego robota z dwiema ramionami: układanie książek, układanie misek, nabieranie cukru i dwa inne zadania. Mierzono skuteczność w warunkach OOD - czyli tam, gdzie środowisko lub obiekty różniły się od tych znanych z treningu. Właśnie w takich warunkach specjalistyczne systemy zwykle się sypią.

Wyniki końcowego wskaźnika FNS (miara postępu nawet w nieudanych próbach): Orca 19,3 kontra π0.5 z wynikiem 17,7, Qwen3.5 z 11,2 i V-JEPA 2.1 z 13,9. Wskaźnik odbudowy po błędach DRR: Orca 32,9, π0.5 31,5, Qwen3.5 19,2, V-JEPA 2.1 25,8. Autorzy opisują to wprost: Orca konsekwentnie posuwa zadanie do przodu i lepiej odbudowuje się po błędach wykonania, rzadziej utykając w pętlach powtarzających się niepowodzeń. Jakościowy przykład z badania: Orca po kilku nieudanych chwytaniach łyżki ponawia próbę z innego kąta i ostatecznie kontynuuje zadanie - π0.5 w analogicznej sytuacji kręci się w kółko.

Ale jest też druga strona medalu, której nie warto chować pod dywan. Wskaźnik pełnego sukcesu w warunkach OOD środowiska to 4% dla Orca wobec 2% dla π0.5. Obie liczby są niskie. Badacze z goml.io zwracają uwagę na kolejny problem: test porównawczy, na którym testowano modele, został stworzony przez ten sam zespół BAAI, więc porównanie należy traktować jako wstępne - zewnętrzni badacze jeszcze nie zweryfikowali wyników niezależnie. Pięć prostych zadań z dwiema ramionami to dowód koncepcji, nie gotowość do złożonych zastosowań przemysłowych.

Wyłaniająca się umiejętność, której nikt nie zaprogramował

Najciekawszy aspekt Orca to nie liczby - to mechanizm. Autorzy badania przyznają, że zdolność do generowania akcji robotycznych pojawiła się jako efekt uboczny uczenia się dynamiki świata na wideo. Żaden etap treningu nie zakładał nauczenia modelu, jak poruszać ramionami robota - a jednak model przeniósł tę wiedzę samodzielnie. W badaniu czytamy, że ta wyłaniająca się zdolność może złagodzić chroniczny problem niskiej generalizacji wynikający z niedoboru danych robotycznych.

Architektura działa na dwóch uzupełniających się torach uczenia. Pierwszy - „nieświadome uczenie” - wychwytuje ciągłe przejścia stanów z surowych nagrań wideo. Drugi - „świadome uczenie” - modeluje rzadkie, znaczące przejścia opisane przez język i nadzór w formie pytań i odpowiedzi. Razem budują zunifikowaną przestrzeń ukrytą świata, z której potem każdy dekoder czerpie wiedzę.

Uwaga ⚠️

Model i kod mają być opublikowane - GitHub BAAI informuje, że linki do punktów kontrolnych i przykładów zostaną dodane po premierze. Na dziś repozytorium istnieje, ale wagi modelu jeszcze niedostępne.

Chiński fragment większego wyścigu

Orca to nie projekt w próżni. BAAI zaprezentował go na konferencji 2026 obok innych modeli z rodziny Wujie, w tym Wujie·RoboBrain Orca i Wujie·Physis-v0.1. Przez system FlagOpen BAAI opublikowało dotąd ponad 200 modeli - instytucja wyraźnie stawia na otwartość jako strategię wpływu.

Szerszy kontekst jest taki, że wyścig o modele sterowania robotami toczy się równolegle w Stanach i w Chinach. Physical Intelligence (π0.5), Cosmos Policy od NVIDII, GR-2, RoboTron - rynek modeli dla robotyki eksplodował w 2025 i 2026 roku. Orca wnosi do tej rywalizacji konkretną tezę: nie potrzebujesz ogromnego, ściśle oznaczonego zbioru danych akcji robotycznych - wystarczy, że model dobrze rozumie, jak świat w ogóle działa. Jeśli ta teza się utrzyma pod niezależną weryfikacją, koszt wejścia w robotykę może spaść znacząco. A to zmienia rachunki dla wszystkich, którzy do tej pory nie mogli sobie pozwolić na zbieranie danych robotycznych na skalę Physical Intelligence czy Google DeepMind.