Orca: китайская ИИ-модель освоила роботов, не видя ни одной команды

Когда ИИ учится смотреть, а не читать инструкции

Представьте ребёнка, который никогда не читал учебника по физике, но тысячи часов наблюдал за тем, как падают предметы, открываются двери и катятся мячи. Именно по такому принципу работает Orca — новая модель от Пекинской академии искусственного интеллекта (BAAI), которая умудрилась сравняться с узкоспециализированными роботическими системами, ни разу не получив ни одной размеченной команды действия.

Это не маркетинговый трюк. Это потенциальный сдвиг парадигмы в том, как мы думаем об обучении ИИ.

Проблема трёх разных мозгов

Сегодняшний ИИ-ландшафт — это зоопарк специалистов. Языковые модели предсказывают следующий токен, генераторы изображений — следующий пиксель, роботические системы — следующее движение. Каждый хорош в своём, но ни один не понимает мир как единое целое.

BAAI решила поставить принципиально другой вопрос: а что если вместо предсказания «что идёт следующим в последовательности» обучить модель предсказывать следующее состояние мира в едином абстрактном пространстве? Так родился подход Next-State Prediction, лежащий в основе Orca.

Архитектурно это выглядит элегантно: энкодер на базе замороженного Qwen3.5 строит единое «мировое латентное представление» из визуальных и текстовых сигналов. Затем к нему пристёгиваются лёгкие сменные декодеры — для текста, изображений и роботических действий. Ядро модели при этом остаётся неизменным. Для генерации изображений используется адаптер поверх Stable Diffusion 3.5, для управления роботом — специальный модуль Action Expert, обученный с нуля.

Два способа учиться у мира

Обучение Orca разделено на два режима, которые авторы красиво назвали «сознательным» и «бессознательным».

Бессознательное обучение — это просмотр сырых видео без каких-либо меток. Модель видит кадр и предсказывает следующий — но не на уровне пикселей, а в абстрактном пространстве. Так она улавливает паттерны движения, перекрытия объектов, типичную динамику сцен. Грубо говоря, физическую интуицию.

Сознательное обучение добавляет языковой контекст. Видео разбиваются на сегменты с текстовыми описаниями переходов состояний — «закрыть дверцу микроволновки», «поднять коробку». Плюс классические задачи визуального вопрос-ответа, чтобы модель не теряла способность рассуждать на естественном языке.

Для обучения команда собрала 125 000 часов видео четырёх типов: съёмка от первого лица, объектные манипуляции от третьего лица, записи роботов без меток действий, и просто бытовые сцены. Ещё 160 миллионов описаний событий и 11,5 миллиона пар вопрос-ответ. При этом в текущей версии использовалась лишь десятая часть собранных видеоданных.

Модель обучена в двух размерах: 0,8 и 4 миллиарда параметров.

Цифры, которые заставляют поднять брови

Результаты, если верить авторам, впечатляют. Orca-4B набирает 51,8 балла в среднем по бенчмаркам MVBench, TemporalBench, 3DSRBench и SWITCH — против 46,7 у Qwen3.5-4B аналогичного размера. На бенчмарке предсказания изображений PRICE-V0.1 — 59,8 против 56,1 у FLUX.2 klein.

Но главная цифра — роботическая. На тесте out-of-distribution с реальным роботом Orca показала 36,6% против 27,6% у специализированной π₀.5. И это при том, что в предобучении не было ни одной метки действия.

Честная оговорка: большинство этих результатов пока подтверждены только самими авторами. Бенчмарки PRICE-V0.1 и SWITCH достаточно новые, и независимая воспроизводимость — вопрос открытый. Авторы сами признают, что использовали лишь часть данных и ограничили масштаб четырьмя миллиардами параметров из-за вычислительных ресурсов.

Почему это важно прямо сейчас

Орка появляется в момент, когда весь сектор «мировых моделей для агентов» переживает настоящий инвестиционный бум. Компания Odyssey недавно привлекла $310 миллионов именно под эту идею. Qwen выпустил AgentWorld. General Intuition обучает модели на игровом процессе. Тезис один: агент, который хочет действовать в физическом мире, не может обходиться только предсказанием следующего слова.

Орка предлагает конкретный и воспроизводимый путь к решению хронической проблемы робототехники — дефицита размеченных данных. Если модель может выучить физические закономерности из обычного интернет-видео, а потом дообучить лёгкий декодер на небольшом количестве роботических данных — это меняет экономику всей отрасли.

Отдельно интересна архитектурная ставка на модульность. Заморозить ядро и тренировать только декодеры — это не просто экономия вычислений. Это утверждение о том, что понимание мира и его «выражение» можно разделить. Если эта ставка окажется верной, один хорошо обученный энкодер мирового состояния заменит три специализированных стека.

Что с доступностью

Веса модели пока не опубликованы — авторы анонсировали их выход в ближайшее время. Статья доступна на arXiv (2606.30534). Для российской аудитории: arXiv открыт без VPN, страница на Hugging Face тоже доступна. Когда веса появятся, их можно будет скачать напрямую — никаких платных подписок для базового доступа не предполагается.

Я слежу за тем, выйдут ли веса в открытый доступ и сможет ли небольшая лаборатория взять Orca и дообучить её на своих роботических данных. Если да — аргументы в пользу сборки трёх отдельных специализированных стеков резко ослабнут.

Информация о модели подтверждена несколькими независимыми публикациями и техническим отчётом авторов.