Beijing Academy of Artificial Intelligence (BAAI), Orca adlı world foundation modelini 11 Temmuz 2026'da tanıttı. Model, temel eğitiminde tek bir eylem etiketi görmeden, beş robotik görevde uzman sistemlerle aynı seviyeye ulaştı.

BAAI, bu yaklaşımın robotikte kronikleşen etiketli veri eksikliğini hafifletebileceğini söylüyor. Orca'nın tasarımı, tek bir göreve değil, farklı çıktı türleri için ortak bir dünya temsiline dayanıyor.

Orca nasıl çalışıyor?

Orca, klasik büyük dil modelleri gibi bir sonraki kelimeyi ya da video üreticileri gibi bir sonraki kareyi tahmin etmiyor. Bunun yerine, dünyanın bir sonraki durumunu soyut bir iç temsilde modellemeye çalışıyor.

Sistem iki öğrenme biçimini birleştiriyor: bilinçdışı öğrenme ve bilinçli öğrenme. İlk aşamada model, altyazısız ham videolardan hareket örüntülerini, örtüşmeleri ve sahne dinamiklerini öğreniyor; ikinci aşamada ise metin talimatları ve durum değişimini anlatan açıklamalarla eğitiliyor.

Metin tarafında temel olarak Qwen3.5 kullanılıyor ve bu çekirdek eğitimden sonra donduruluyor. Görüntü üretiminde Stable Diffusion 3.5 değişmeden kalıyor; robot eylemleri ise sıfırdan eğitilen Action Expert adlı kontrol modülünden geliyor.

Eğitim verisi ve model boyutları

BAAI, Orca için 125.000 saat video, 160 milyon olay açıklaması ve 11,5 milyon soru-cevap çifti derledi. Videolar dört farklı görünümü kapsıyor: birinci şahıs günlük etkileşimler, üçüncü şahıs nesne kullanımı, eylem verisi içermeyen robot kayıtları ve doğal sahneler.

  • Video verisi: 125.000 saat
  • Olay açıklaması: 160 milyon
  • Soru-cevap çifti: 11,5 milyon
  • Model boyutları: 0,8 milyar ve 4 milyar parametre
  • Eğitimde kullanılan video oranı: mevcut sürümde verinin onda biri

Takım, eğitim sırasında 0,8 ve 4 milyar parametreli iki sürüm kullandı. Daha fazla veri ve daha büyük modelle eğitim kaybı düzenli biçimde düşüyor; ön eğitimde iç dünya durumu güçlendikçe üç çıktı türünde de sonuçlar iyileşiyor.

Benchmark sonuçları ne söylüyor?

Metin karşılaştırmalarında Orca-4B, MVBench, TemporalBench, 3DSRBench ve SWITCH üzerinde ortalama %51,8 puan aldı. Bu sonuç, Qwen3.5-4B, Gemma 4-4B ve DeepSeek-VL2-3B gibi VLM tabanlarını ortalama olarak geride bırakıyor; ancak her testte birinci olmuyor.

Görüntü tahmini için ekip, gerçek robot ve birinci şahıs sahnelerine dayanan PRICE-V0.1 adlı kendi test setini hazırladı. Orca-4B burada ortalama %59,8 puan aldı ve FLUX.2 small (%56,1), FLUX.1-context (%40,9) ile OmniGen2 (%39,6) önünde yer aldı.

Modelin robotun biçimini, nesnelerle temas noktalarını ve komutla bağını korumada daha başarılı olduğu belirtiliyor. Saf görüntü modelleri ise bu tür sahnelerde çoğu zaman ilgisiz nesneler ya da uydurma eller ekliyor.

Robotikteki performansı ne kadar ileri gidiyor?

Beş manipülasyon görevinde Orca, tekerlekli iki kollu bir insansı robot üzerinde çalışan π0.5 sistemiyle aynı performansı gösterdi. Bu görevler arasında raflara kitap yerleştirme, kaseleri üst üste koyma ve şeker alma gibi işler var.

Robot kontrolü için ayrı bir modül sonradan eğitildi ve her görevde 200 gerçek dünya kaydı kullanıldı. Bu kayıtlar, kamera görüntülerini yapılan hareketlerle eşleştiriyor.

V-JEPA 2.1 ve Qwen3.5, aynı kontrol modülüyle kullanıldığında geride kaldı. Orca'nın başarısız bir kavramadan sonra yeniden denemesi de dikkat çekiyor; örneklerde π0.5'in tekrarlayan hatalarda takılı kaldığı görülüyor.

Hız, sınırlar ve sonraki adım

BAAI, eğitimde kendi FlagScale kütüphanesini ve çeşitli bellek ile iletişim ayarlarını kullandı. Şirket, H100 GPU'larda GPU başına saniyede 2,91 eğitim örneğine ulaştığını ve bunun StarVLA'dan yaklaşık 4,4 kat hızlı olduğunu söylüyor.

Orca'nın sınırları da açık: model yalnızca görüntü ve metinden öğreniyor, ses ile dokunma sinyalleri yok. Görsel tahmin, kendi dünya alanını sıfırdan kurmak yerine önceden eğitilmiş bir görüntü kodlayıcısının uzayında çalışıyor.

BAAI, doğal dünya modellemesi için sıfırdan eğitilen ve çoklu sinyal türlerini kullanan bir sistemin nihai hedef olduğunu belirtiyor. Kurum ayrıca, dünya modellerinin tanımı konusunda araştırma alanında hâlâ görüş ayrılığı bulunduğunu da hatırlatıyor.

11 Temmuz 2026 tarihli duyuru, Orca'nın özellikle etiketli robot verisi kıtlığının yaşandığı alanlarda yeni bir eğitim hattı açmayı hedeflediğini gösteriyor.