거대 인공지능을 쓴 로봇, 적은 시범으로 익혀
매개변수 5520억 개 모델로 충전기 꽂기 성공률이 올랐다

연구진이 매개변수 5520억 개 규모의 거대 모델을 로봇 제어에 쓰는 스케일VLA(ScaleVLA)를 내놓았다고 밝혔다. 시범 횟수가 적어도 더 잘 배우고, 처음 보는 상황에서도 성공률이 높았다고 주장한다.
지금까지
로봇에게 일을 가르칠 때는 사람이 직접 하는 모습을 여러 번 보여 주는 방식이 널리 쓰였다. 최근에는 사진과 글을 함께 이해하고 행동까지 정하는 '시각·언어·행동 모델(VLA)'이 주목받았다. 다만 이런 모델의 뼈대 역할을 하는 언어·시각 모델은 크기가 비교적 작은 것이 대부분이었다.
AI 시대에는
연구진은 GPT-6 Astra 같은 최첨단 언어·시각 모델이 로봇 제어에서 좋은 능력을 보였다는 점에서 출발했다고 밝혔다. 이들은 5520억 개 규모의 DeepSeek-V4.1-Flash를 뼈대로 삼고, 여기에 행동을 만들어 내는 학습 가능한 부분을 연결했다. 같은 조건에서 2B부터 552B까지 모델 크기별로 비교한 결과, 시범 10번만 보여 준 경우의 성공률이 시범 50번을 쓴 작은 모델(20억 개 규모)보다 높았다(87.8% 대 85.6%)고 한다. 일반화 능력을 재는 시험 LIBERO-PRO에서는 성공률 45.1%로, 더 작은 모델들의 최대 31.3%를 앞섰고, 실제 충전기 꽂기는 10번 중 4번에서 9번으로 늘었다고 한다. 행동 묶음 하나를 내놓는 데 걸리는 시간은 중간값 216밀리초였다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이어서, 이 결과는 아직 연구진의 주장이다.
지금 해 볼 것
- 논문 주소(arxiv.org/abs/2611.21607v1)에서 초록을 읽고, 시범 횟수·성공률 같은 수치가 어떤 조건에서 나온 것인지 직접 확인해 본다.
- 평소 쓰는 대화형 인공지능에 집 안 물건 사진을 보여 주고 '이 물건을 어떻게 집어 들어야 하는지' 물어보면서, 사진과 글을 함께 이해하는 모델이 어디까지 설명하는지 살펴본다.
원문에서 확인한 사실
- 스케일VLA는 매개변수 552B(5520억 개) 규모의 DeepSeek-V4.1-Flash를 뼈대로 쓰고 여기에 학습 가능한 행동 생성 부분(action DiT)을 연결했다.
- 연구진은 2B부터 552B까지 여러 크기의 언어·시각 모델을 같은 학습 조건에서 비교했다.
- 시범 10번으로 학습한 스케일VLA가 시범 50번으로 학습한 2B 모델보다 높은 성공률을 보였다(87.8% 대 85.6%).
- LIBERO-PRO 성공률은 45.1%로, 더 작은 모델들의 최대 31.3%보다 높았다.
- 실제 충전기 꽂기 실험에서 성공이 10번 중 4번에서 9번으로 늘었다.
- 행동 묶음 하나당 중간 지연 시간은 216밀리초였다.
이 기사는 쎈프레스 편집국이 공개된 원문을 바탕으로 정리했습니다. 원문에 없는 내용은 싣지 않는 것을 원칙으로 하며, 틀린 곳은 010-8114-3468로 알려 주시면 바로 고칩니다.



