Relatório Técnico RLDX-1

Resumo

Embora os modelos Visão-Linguagem-Ação (VLAs) tenham demonstrado progressos notáveis em direção a políticas robóticas generalistas semelhantes às humanas por meio da inteligência versátil (isto é, compreensão ampla de cenas e generalização condicionada por linguagem) herdada de modelos de visão e linguagem pré-treinados, eles ainda lutam com tarefas complexas do mundo real que exigem capacidades funcionais mais amplas (por exemplo, consciência de movimento, tomada de decisão consciente da memória e sensoriamento físico). Para resolver isso, introduzimos o RLDX-1, uma política robótica de propósito geral para manipulação hábil construída sobre o Transformador de Ação Multi-Fluxo (MSAT), uma arquitetura que unifica essas capacidades integrando modalidades heterogêneas por meio de fluxos específicos por modalidade com auto-atenção conjunta cross-modal. O RLDX-1 combina ainda mais essa arquitetura com escolhas de design em nível de sistema, incluindo a síntese de dados de treinamento para cenários raros de manipulação, procedimentos de aprendizagem especializados para manipulação semelhante à humana e otimizações de inferência para implantação em tempo real. Por meio de avaliação empírica, mostramos que o RLDX-1 supera consistentemente VLAs de ponta recentes (por exemplo, π_{0,5} e GR00T N1.6) tanto em benchmarks de simulação quanto em tarefas do mundo real que exigem capacidades funcionais amplas além da versatilidade geral. Em particular, o RLDX-1 mostra superioridade nas tarefas humanoides ALLEX ao atingir taxas de sucesso de 86,8%, enquanto π_{0,5} e GR00T N1.6 atingem cerca de 40%, destacando a capacidade do RLDX-1 de controlar um robô humanoide de alto GDL sob diversas demandas funcionais. Juntos, esses resultados posicionam o RLDX-1 como um passo promissor em direção a VLAs confiáveis para manipulação hábil complexa, rica em contato e dinâmica no mundo real.

English

While Vision-Language-Action models (VLAs) have shown remarkable progress toward human-like generalist robotic policies through the versatile intelligence (i.e. broad scene understanding and language-conditioned generalization) inherited from pre-trained Vision-Language Models, they still struggle with complex real-world tasks requiring broader functional capabilities (e.g. motion awareness, memory-aware decision making, and physical sensing). To address this, we introduce RLDX-1, a general-purpose robotic policy for dexterous manipulation built on the Multi-Stream Action Transformer (MSAT), an architecture that unifies these capabilities by integrating heterogeneous modalities through modality-specific streams with cross-modal joint self-attention. RLDX-1 further combines this architecture with system-level design choices, including synthesizing training data for rare manipulation scenarios, learning procedures specialized for human-like manipulation, and inference optimizations for real-time deployment. Through empirical evaluation, we show that RLDX-1 consistently outperforms recent frontier VLAs (e.g. π_{0.5} and GR00T N1.6) across both simulation benchmarks and real-world tasks that require broad functional capabilities beyond general versatility. In particular, RLDX-1 shows superiority in ALLEX humanoid tasks by achieving success rates of 86.8% while π_{0.5} and GR00T N1.6 achieve around 40%, highlighting the ability of RLDX-1 to control a high-DoF humanoid robot under diverse functional demands. Together, these results position RLDX-1 as a promising step toward reliable VLAs for complex, contact-rich, and dynamic real-world dexterous manipulation.