RoboRACE-Net
мини-трансформер для фильтрации лжи в роях агентов
2 мин чтенияобновлено
RACE-Net — это компактная нейросетевая модель (аксиальный наборный трансформер на 213 889 параметров) от разработчика Nabidnur, предназначенная для объединения отчетов множества агентов (например, связок камер и VLM (мультимодальных языковых моделей)) в условиях, когда часть агентов может врать, сбоить или выдавать случайные данные. Модель считывает неразмещенное окно эпизодов целиком и возвращает лог-оддс (логарифм шансов) успеха для каждого эпизода, опираясь на допущение, что колонка самого принимающего агента честна. Модель работает на CPU и пригодится разработчикам робототехники и мультиагентных систем для надежного агрегирования данных от ненадежных источников.
Ключевые особенности
- Компактность: всего 213 889 параметров, быстрое выполнение на CPU за миллисекунды на окно.
- Без позиционных кодировок: модель эквивариантна к перестановкам как по эпизодам, так и по агентам.
- Гибкий ввод: принимает матрицу оценок произвольного размера от агентов за последние эпизоды.
- Обучение на симуляциях: модель обучалась исключительно на синтетических роях агентов без использования реальных бенчмарков.
Что можно сделать
- Анализ данных роя: запустить инференс на Python для агрегирования оценок успешности задач от группы камер или датчиков.
- Интеграция в робототехнику: применить для фильтрации ложных срабатываний в распределенных системах управления роботами.
- Тестирование на кастомных данных: проверить устойчивость к коварным агентам, случайным шумам и сговорам.
- Эмулирование сред: использовать встроенные генераторы синтетических роев для дообучения или анализа.
Пример
import sys, numpy as np
from huggingface_hub import snapshot_download
d = snapshot_download("Nabidnur/RoboRACE-Net"); sys.path.insert(0, d)
import racenet
P = np.random.rand(100, 5) # [эпизоды, агенты] оценки от 0 до 1
log_odds, thr = racenet.race_net(None, P, own=0, path=d)
success = log_odds > thrПодробнее
• Достигает 81.6% точности на тестовом треке SO-101 и 81.8% на Franka Panda в нулевом (zero-shot) тестировании.• Требования к железу: запускается на обычном CPU за миллисекунды, зависимости включают torch, numpy, safetensors.
• Ограничения: не превосходит тяжелые методы EM на реальных камерах, требует, чтобы принимающий агент был честнее случайного угадывания, работает только с бинарной правдой.










Комментарии