Openpi Comet: Solução Competitiva para o Desafio BEHAVIOR 2025
Openpi Comet: Competition Solution For 2025 BEHAVIOR Challenge
December 10, 2025
Autores: Junjie Bai, Yu-Wei Chao, Qizhi Chen, Jinwei Gu, Moo Jin Kim, Zhaoshuo Li, Xuan Li, Tsung-Yi Lin, Ming-Yu Liu, Nic Ma, Kaichun Mo, Delin Qu, Shangkun Sun, Hongchi Xia, Fangyin Wei, Xiaohui Zeng
cs.AI
Resumo
O Desafio BEHAVIOR 2025 foi concebido para monitorizar rigorosamente o progresso na resolução de tarefas de longo horizonte por agentes físicos em ambientes simulados. O BEHAVIOR-1K centra-se em tarefas domésticas quotidianas com as quais as pessoas mais desejam que os robôs auxiliem, e estas tarefas introduzem desafios de manipulação móvel de longo horizonte em ambientes realistas, colmatando a lacuna entre a investigação atual e as aplicações do mundo real centradas no ser humano. Este relatório apresenta a nossa solução para o Desafio BEHAVIOR 2025, que ficou em um muito próximo 2.º lugar e superou substancialmente as restantes submissões. Com base no π_{0.5}, concentramo-nos na construção sistemática da nossa solução através do estudo dos efeitos de técnicas de treino e dados. Por meio de ablações cuidadosas, demonstramos o poder de escalabilidade nas fases de pré-treino e pós-treino para um desempenho competitivo. Resumimos as nossas lições práticas e recomendações de design, que esperamos fornecer informações acionáveis para a comunidade mais ampla de IA incorporada ao adaptar modelos de base poderosos a cenários incorporados complexos.
English
The 2025 BEHAVIOR Challenge is designed to rigorously track progress toward solving long-horizon tasks by physical agents in simulated environments. BEHAVIOR-1K focuses on everyday household tasks that people most want robots to assist with and these tasks introduce long-horizon mobile manipulation challenges in realistic settings, bridging the gap between current research and real-world, human-centric applications. This report presents our solution to the 2025 BEHAVIOR Challenge in a very close 2nd place and substantially outperforms the rest of the submissions. Building on π_{0.5}, we focus on systematically building our solution by studying the effects of training techniques and data. Through careful ablations, we show the scaling power in pre-training and post-training phases for competitive performance. We summarize our practical lessons and design recommendations that we hope will provide actionable insights for the broader embodied AI community when adapting powerful foundation models to complex embodied scenarios.