本文へスキップ

ROCKET-1

視覚と時間の手がかりで身体を持つ判断を導く

公式サイトを見る

rocket-1 とは

開かれた世界での身体を持つ判断に向けた視覚言語モデルと説明されている。

できること

  • 物体分割で方策の動作を導く
  • 因果トランスフォーマで動作を予測する
  • 複雑な課題を小さな段階へ分ける

注意点

  • 方式には過去と現在の観察が入る
  • SAM-2 がリアルタイム物体追跡を担う
  • Minecraft での実験が説明されている

長所と短所

✓ 良い点

  • GPT-4o と Molmo が複雑な課題を段階に分ける
  • Minecraft のベンチマークがゼロショットの汎化を評価

! 注意したい点

  • 資料の実験は Minecraft の中で行われる
  • 準備にはコード、ドキュメント、検証環境が要る

よくある質問

どの方式を使う?

資料では視覚・時間の文脈提示が挙がる。

追跡には何が関わる?

SAM-2 によるリアルタイム物体追跡が記載。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法