Vesta: Ein generalistisches Embodied-Reasoning-Modell

Zusammenfassung

Roboter, die in offenen Umgebungen operieren, müssen Lokalisierung, räumliches Denken, Navigation und Planung über lange Zeithorizonte nahtlos integrieren. Während Spezialistenmodelle bei einzelnen Aufgaben hervorragende Leistungen erbringen, ist der Einsatz eines Multi-Modell-Stapels rechenintensiv und anfällig für Kaskadenfehler. Wir präsentieren Vesta, einen einheitlichen verkörperten Generalisten, der diese Fähigkeiten in einem einzigen Grundlagenmodell bündelt. Unser Ansatz kombiniert ein vielfältiges und massives, kuratiertes Korpus, das auf die Induktion räumlicher Verankerung ausgelegt ist, mit einer einfachen multimodalen Gedächtnisvorrichtung, die Schlussfolgerungen über erweiterte Zeithorizonte ermöglicht. Über verschiedene Benchmarks hinweg übertrifft Vesta einzelne aktuelle Spezialistenbaselines im Durchschnitt um >20 % und ein Ensemble aus pro Kategorie besten Baselines um >10 % – was zeigt, dass ein generalistisches Modell mit Spezialisten mithalten oder sie übertreffen kann. Bei realen Robotikaufgaben, die Gedächtnis und Schlussfolgerung erfordern, verbessert Vesta die Aufgabenerfolgsrate um >35 %. Unsere Arbeit zeigt somit, dass ein einzelner Generalist eine realisierbare, skalierbare und wohl vorzuziehende Alternative zur Kombination von Spezialisten darstellt.

English

Robots operating in open-world environments must seamlessly integrate localization, spatial reasoning, navigation, and long-horizon planning. While specialist models excel at individual tasks, deploying a multi-model stack is computationally expensive and prone to cascading errors. We present Vesta, a unified embodied generalist that consolidates these capabilities into a single foundation model. Our approach combines a diverse and massive curated corpus designed to induce spatial grounding and a simple multimodal memory harness that enables reasoning over extended time horizons. Across diverse benchmarks, Vesta on average beats individual SOTA baselines by >20% and beats an ensemble of per-category-best baselines by >10% -- thus demonstrating that a generalist model can match or exceed specialists. On real-world robotic tasks requiring memory and reasoning, Vesta improves task success by >35\%. Our work thus demonstrates that a single generalist is a feasible, scalable, and arguably preferable alternative to combining specialists.