Веста: универсальная воплощённая модель рассуждений

Аннотация

Роботы, работающие в условиях открытого мира, должны бесшовно интегрировать локализацию, пространственное мышление, навигацию и долгосрочное планирование. Хотя специализированные модели превосходно справляются с отдельными задачами, развертывание стека из нескольких моделей требует значительных вычислительных ресурсов и склонно к каскадным ошибкам. Мы представляем Vesta — унифицированный воплощенный обобщающий агент, объединяющий эти возможности в единую фундаментальную модель. Наш подход сочетает разнообразный и масштабный тщательно подобранный корпус, разработанный для индукции пространственного привязывания, и простой механизм многомодальной памяти, обеспечивающий рассуждение на длительных временных горизонтах. На различных тестовых наборах Vesta в среднем превосходит отдельные SOTA-базовые решения более чем на 20% и превосходит ансамбль лучших базовых решений по каждой категории более чем на 10%, демонстрируя, что общая модель может соответствовать специалистам или превосходить их. В реальных робототехнических задачах, требующих памяти и рассуждения, Vesta повышает успешность выполнения задач более чем на 35%. Таким образом, наша работа показывает, что единая обобщающая модель является осуществимой, масштабируемой и, по-видимому, предпочтительной альтернативой объединению специалистов.

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.