Két, egymástól független eredmény — az Anthropic és a Sunday Robotics munkája — arra utal, hogy a nagyméretű, általános célú AI‑modellek skálázása érdemben javíthatja a fizikai robotok képességeit és általánosíthatóságát.
Anthropic: Opus-sorozat gyors előrelépései
Az Anthropic több lépcsőben tesztelte Opus modelleket és azok hatását egy négylábú robot képességeire. 2025 augusztusában a Claude Opus 4.1 a cég vizsgálata szerint alkalmatlan volt a kijelölt feladatok önálló megoldására; emberi operátorok, akik hozzáfértek a modellhez, nagyjából kétszer hatékonyabbak voltak, mint akik nem használták, de a feladatsor teljes elvégzése így is 181 percet vett igénybe.
Ezzel szemben 2026 májusában az Opus 4.7 önállóan végrehajtotta a feladatok többségét: a teljes sorozatból egy kivételével minden feladatot megoldott 9 perc 35 másodperc alatt. (A modell nem tudta hatékonyan visszahelyezni a labdát a kiinduló pozícióba egy mozdulat után — egy olyan feladat, amellyel emberek is gyakran küszködtek.) Az Anthropic kijelentése szerint további idővel és kiegészítő támogatással a jelenlegi Claude‑generációk valószínűleg képesek lennének a hiányzó feladat megoldására is.
Az Anthropic hangsúlyozza, hogy ezek a javulások nem egy célzott robotikai fejlesztési program eredményei, hanem a nagyméretű modellskálázás általános „járulékos” hasznai: a jobb általános képességű alapmodellek természetes módon hozzájárulhatnak a robotikai teljesítmény növekedéséhez.
Sunday Robotics: nagy alapmodell + kevés, jó adat
A robotikai startup Sunday azt állítja, hogy a robotok általánosításának kulcsa egy nagy, előképzett (pretrained) alapmodell és kis mennyiségű, magas minőségű, belső (in‑house) adaton végzett hangolás kombinálása. A cég új modellje ACT‑2 köré épített tapasztalataik szerint a recept a következő: széleskörű előképzés, majd rövid, iteratív finomhangolás házon belüli mintákkal.
Sunday szerint ahogy az alapmodell erősebb lesz, a házon belüli gyors, utólagos iterációk során szerzett megbízhatósági javulások átvihetők lesznek más, korábban ismeretlen otthoni környezetekre is. A fennmaradó, telepítési szintű problémák főleg szélsőséges eshetőségekből és olyan hibákból adódnak, amelyek csak ismételt valós futtatás után bukkannak fel; az ő utólagos tanulási körük ezeket a hiányosságokat célozza.
A Sunday eredményei szerint a robotok 99,1%-os sikerességet értek el: összesen 778 sikeres ruhahajtást hajtottak végre kilenc ruhatípuson. Egyszerű darabok, mint rövidnadrágok és pólók voltak a legkönnyebbek, míg blúzoknál a nehezebb manipuláció ellenére is 90% feletti sikerarányt mértek. A cég közlése szerint ősszel Memo nevű rendszerüket családokhoz juttatják el bétaprogramjukon keresztül.
Sunday kiemeli, hogy ACT‑2 gyakran „meglepi” őket: ugyanaz az alapmodell már most is megtanul szélesebb körű háztartási képességeket, többek között porszívózást, játékok rendszerezését, cipzárak kezelést, nadrág kifordítását és kávékészítést.
Miért fontos mindez?
A nem ipari robotika elterjedését ma nagyrészt a rendszerek törékenysége és rossz általánosíthatósága korlátozza. Ipari környezetekben a robotok jól működnek, mert a feladatok erősen korlátozottak és ismétlődőek; a háztartási robotoknak viszont sokkal nagyobb általánosító képességre van szükségük.
Az Anthropic és a Sunday eredményei ugyanarra a pontra világítanak rá: ha az általános célú, nagy méretű modellek intelligenciája nő, a robotok megbízhatósága és alkalmazkodóképessége is javulhat, akár úgy, hogy minimális, célzott utólagos finomhangolással szélesebb körű környezetekben is jól teljesítenek. Ez a fajta javulás gyorsabb előrehaladást és szélesebb terjedést hozhat a fogyasztói és szolgáltató robotikában.
Mindkét csapat hangsúlyozza, hogy további kihívások maradnak — különösen a valós világban ismétlődő, ritka hibák és szélsőséges esetek kezelése —, de a most bemutatott eredmények arra utalnak, hogy a modellskálázás és a célzott finomhangolás együtt kézzelfogható előnyökhöz vezethet a valós robotikában.
Források a részletekhez
Anthropic: Project Fetch: Phase Two (Anthropic blog)
Sunday Robotics: ACT‑2 Preview: Generalizing Reliability
Videók: Sunday YouTube csatorna
(Összefoglaló a nyilvánosságra hozott blogposztok és bemutatók alapján.)
