ByteDance Luncurkan GR-3: “Otak” Robot Serbaguna yang Belajar Tugas Baru dengan Data Minimal dan Ahli Manipulasi Benda Fleksibel

1. Arsitektur VLA Hemat Sampel

• Data Minim, Transfer Maksimal
  Model VLA tradisional menuntut banyak data trajektori robot. Sebaliknya, GR-3 hanya membutuhkan 10–20 trajektori demonstrasi manusia (dikumpulkan lewat VR) plus data robot terbatas untuk beradaptasi ke lingkungan baru atau barang baru.
• Sumber Latihan Beragam
  Tim menggabungkan rekaman teleoperasi berkualitas tinggi, gerakan manusia via VR, dan dataset vision-language publik berskala besar—membuat GR-3 mampu melakukan generalisasi jauh melampaui model VLA terdahulu seperti π0.

2. Ketangkasan Tiada Tanding di Berbagai Tugas

1. Perencanaan Jangka Panjang Handal
   Dalam uji “bersih-bersih meja makan” dengan 10+ sub-tugas, GR-3 mencapai tingkat keberhasilan 92%, konsisten mengikuti setiap instruksi manusia secara berurutan.
2. Penguasaan Objek Lunak
   Saat tugas menggantung pakaian, kedua lengan GR-3 tersinkronisasi mengangkat, menggantung, dan merapikan pakaian dengan tingkat kegagalan <5%, meski kain berubah bentuk tak terduga.
3. Memahami Perintah Abstrak
   Menghadapi perintah “Letakkan mangkuk celadon yang belum pernah terlihat ke dalam keranjang,” GR-3 berhasil >85%—jauh melampaui model baseline yang minim kemampuan penalaran abstrak.

3. ByteMini: “Badan” Robotis yang Gesit

• 22 Derajat Kebebasan
  ByteMini mengintegrasikan manipulator lengan ganda, sendi pergelangan bola, dan basis omnidirectional, memungkinkannya navigasi ruang sempit dan menangani tugas dexterous Level-4 hingga Level-5 seperti perakitan dan penempatan presisi.
• Deploy Cepat
  Perangkat modular dan kompatibilitas ROS asli mempercepat integrasi “otak” GR-3, memendekkan jarak dari prototipe ke produksi.

4. Peningkatan Kinerja Terukur

• Generalisasi ke Objek Baru
  Menambah data gambar-teks publik meningkatkan keberhasilan GR-3 pada objek baru hingga 33,4%. Hanya 10 trajektori VR meningkatkan keberhasilan dasar dari <60% menjadi >80%.
• Ketangguhan Instruksi
  Saat menghadapi perintah mustahil atau konflik (misal “Masukkan mangkuk biru ke keranjang” padahal tak ada mangkuk biru), GR-3 mendeteksi ketidaksesuaian dan aman tidak melakukan apa-apa, menghindari kesalahan.
• Eksekusi Multi-Langkah Konsisten
  Dalam skenario pick-and-sort 15 langkah, GR-3 mempertahankan <8% kegagalan di setiap tahap, menunjukkan keandalan untuk urutan panjang.

5. Menatap Masa Depan: Menuju “Otak” Robot Universal

Tim Seed melihat GR-3 sebagai batu loncatan ke kecerdasan robot serbaguna sejati: pre-train pada data multimodal beragam, lalu dipelajari cepat dengan sedikit contoh. Deploy di industri perakitan, sortir gudang, bantuan medis, hingga layanan rumah tangga—mewujudkan janji “otak” robot fleksibel yang memahami konsep abstrak.