Glossaryに戻る
基礎モデル
広範なデータ（インターネットテキスト、画像、動画）で事前学習された大規模ニューラルネットワークで、最小限のファインチューニングで下流タスクに適応できます。ロボット工学では、基礎モデルは視覚表現（DINOv2）、言語グラウンディング（CLIP、LLM）、ワールドモデル（動画予測）を提供し、ロボット動作を直接出力します（RT-2、OpenVLA、π0などのVLA）。これらは学習のデータコストをタスクと具体化全体で償却することを約束します。
広範なデータ（インターネットテキスト、画像、動画）で事前学習された大規模ニューラルネットワークで、最小限のファインチューニングで下流タスクに適応できます。ロボット工学では、基礎モデルは視覚表現（DINOv2）、言語グラウンディング（CLIP、LLM）、ワールドモデル（動画予測）を提供し、ロボット動作を直接出力します（RT-2、OpenVLA、π0などのVLA）。これらは学習のデータコストをタスクと具体化全体で償却することを約束します。