أطلقت Black Forest Labs، صاحبة نماذج الصور FLUX، نموذجًا مفتوح الأوزان للتحكّم في الروبوتات اسمه FLUX 3 Action. وهو «نموذج عالم وحركة» (World Action Model، أو WAM) بـ7 مليارات معامل: يقرأ صور الكاميرا وحالة الروبوت وتعليمة نصية، ثم يتنبّأ في الوقت نفسه بإطارات الفيديو القادمة والدفعة التالية من الحركات.
النتائج
في لوحة RoboLab-120، وهي 120 مهمّة على طاولة في المحاكي Isaac Sim، احتلّ النموذج المركز الأوّل بنسبة نجاح 42.92%، بحسب MarkTechPost:
- FLUX 3 Action (7 مليارات): 42.92%.
- Cosmos 3 Nano من NVIDIA (16 مليارًا): 36.8%.
- π0.5 (3.3 مليار): 28.0%.
وفي تقييم أعمى على ذراع Franka حقيقية أجرته Positronic Robotics على 10 مهام بثلاث محاولات لكل منها، أكمل النموذج 28 من 30 محاولة، مقابل 27 لـCosmos 3 Nano و13 لـπ0.5.
كيف يوازن بين الدقّة والسرعة؟
تقول MarkTechPost إن نماذج WAM عادةً أدق لكنها بطيئة لأن التنبّؤ بالفيديو مكلف، بينما نماذج «الرؤية واللغة والحركة» (VLA) أسرع وأقل دقّة. وتحاول BFL سدّ الفجوة بعمود فقري أصغر وتقطير (Distillation). تشحن الشركة ثلاث نسخ: أساسية، ونسخة مقطّرة التوجيه أسرع بنحو ضعفين وأدق قليلًا، ونسخة بخطوة واحدة أسرع 3 إلى 4 أضعاف مع تراجع في النجاح بين 3.5 و4.3 نقطة. وتقول BFL إن نموذجها أسرع من Cosmos 3 Nano بما يصل إلى 3.95 ضعفًا.
وأظهر التدريب المسبق أثرًا كبيرًا: بدونه بقي التدريب على بيانات DROID وحدها تحت 1% في RoboLab، ومعه وصل إلى 11.6%.
هل يمكن تشغيله؟
نعم، بشروط: يحتاج نحو 32 غيغابايت من ذاكرة GPU بدقّة BF16، ويتّسع في بطاقات 24 غيغابايت مع تكميم FP8 ونقل مرمّز النص. الأوزان على Hugging Face، والترخيص FLUX Kommunity License يسمح بالاستخدام غير التجاري فقط.
ليه ده مهم؟
النموذج يوسّع المنافسة المفتوحة في الذكاء الاصطناعي المادّي، ويُظهر أن شركة معروفة بتوليد الصور تنقل نماذجها المدرّبة على الفيديو إلى التحكّم في الروبوتات. وتشير BFL إلى أن الأسلوب نفسه قد يفيد الوكلاء في البيئات الرقمية، مثل الألعاب والتحكّم في الحاسوب. لكن ترخيص الاستخدام غير التجاري يحدّ من تبنّيه في المنتجات.
المصادر: MarkTechPost، The Decoder — 2026-09-24
