Généralisation Zero-Shot
La généralisation zero-shot est la capacité d'une politique entraînée à réussir avec succès des tâches, des objets ou des environnements qu'elle n'a jamais vus explicitement pendant l'entraînement, sans ajustement fin supplémentaire ni démonstrations additionnelles. Le vrai transfert zero-shot est un objectif majeur des modèles de fondation robotiques — une politique qui généralise zero-shot à des objets domestiques nouveaux ou à de nouvelles instructions en langage naturel réduirait dramatiquement le fardeau de la collecte de données. Les modèles VLA actuels montrent une généralisation en langage naturel zero-shot prometteuse (compréhension de formulations nouvelles de types de tâches connus) mais peinent toujours avec des catégories d'objets véritablement nouvelles ou des compétences de manipulation complètement nouvelles. L'amélioration des performances zero-shot est la motivation centrale de la mise à l'échelle des ensembles de données robotiques et des tailles de modèles. Voir aussi l'article Transfert Zero-Shot. Voir cela en pratique : nos évaluations en monde réel →