베이글랩스(Bagel Labs)가 로봇 학습 분야에 새로운 가능성을 제시하는 월드-액션 모델 'WorldDiT'를 공개했습니다. 이 모델은 3.99억 개의 매개변수를 가진 확산 트랜스포머(Diffusion Transformer) 기반의 통합 아키텍처로, 로봇의 행동 생성과 미래 시각 예측이라는 두 가지 핵심 기능을 동시에 수행합니다. 특히, 로봇 조작 벤치마크인 LIBERO 스위트에서 평균 94.9%의 성공률을 달성하며 효율성과 성능 면에서 주목받고 있습니다.
WorldDiT는 세 단계의 과거 관측(로봇 상태, 전면 및 손목 이미지)과 하나의 언어 지시를 입력받아, 확산 트랜스포머 백본을 통해 7단계의 행동 청크(action chunk)와 보조적인 미래 RGB 패치 예측을 학습합니다. 배포 시에는 인코딩된 과거 기록이 직접 행동 속도 필드를 조건화하며, 컨트롤러는 예측된 7개 행동 중 처음 3개를 실행한 후 다시 관측하고 재계획(replanning)하는 방식으로 작동합니다. 이 모델은 LIBERO 벤치마크의 공간(Spatial), 객체(Object), 목표(Goal), 장기(Long) 등 다양한 태스크에서 91.8%에서 98.0%에 이르는 높은 성공률을 보였으며, 총 매개변수 수 대비 LIBERO 평균 성공률에서 파레토 최전선(Pareto frontier)에 위치하여 뛰어난 매개변수 효율성을 입증했습니다.
WorldDiT의 출시는 로봇 학습 분야에서 중요한 진전을 의미합니다. 단일 아키텍처로 세계 모델링(world modeling)과 행동 모델링(action modeling)을 통합함으로써, 로봇이 복잡한 환경을 이해하고 정교한 조작 작업을 수행하는 능력을 크게 향상시킬 수 있습니다. 특히, 적은 매개변수로도 높은 성능을 달성했다는 점은 실제 로봇 시스템에 모델을 배포하고 운용하는 데 있어 계산 자원 효율성을 높여, 더 많은 연구자와 개발자가 로봇 학습 기술에 접근할 수 있는 기반을 마련할 것입니다. 이는 로봇이 다양한 실제 시나리오에서 자율적으로 작동하는 미래에 한 걸음 더 다가서는 계기가 될 것으로 보입니다.