중국 BAAI, 행동 데이터 없는 로봇 제어 모델 오르카 공개

주장베이징 인공지능 아카데미(BAAI)가 발표한 오르카는 차세대 월드 파운데이션 모델로서 로봇 공학의 고질적인 데이터 부족 문제를 해결할 잠재력을 갖추고 있습니다. 이 모델은 특정 작업에만 최적화된 기존 방식에서 벗어나 세상이 변화하는 방식을 일반적인 수준에서 이해하도록 설계되었습니다.

팩트오르카는 12만 5000시간의 영상 데이터와 1억 6000만 개의 이벤트 설명, 1150만 개의 질의응답 쌍을 학습했습니다. 모델은 0.8B와 4B 파라미터 규모로 구성되며, 학습 과정에서 행동 라벨이 포함되지 않은 영상 데이터를 활용했습니다.

팩트오르카-4B 모델은 텍스트 벤치마크에서 평균 51.8%의 성능을 기록하며 큐웬(Qwen)3.5-4B나 젬마(Gemma) 4-4B와 같은 기존 모델을 상회합니다. 이미지 생성 벤치마크인 프라이스(PRICE)-V0.1에서도 59.8%의 정확도를 보이며 플럭스(FLUX).2 등 특화 모델보다 우수한 결과를 나타냈습니다.

팩트로봇 제어 성능 테스트에서 오르카는 책 정리, 그릇 쌓기 등 5가지 작업에서 로봇 데이터로만 학습된 파이(π)0.5 모델과 대등한 수준을 보였습니다. 특히 실패 후 재시도하는 오류 복구 능력에서 기존 모델보다 뛰어난 성능을 입증했습니다.

팩트모델의 핵심 구조는 큐웬3.5를 기반으로 하며, 출력 단계에서 텍스트, 이미지, 로봇 제어 모듈을 교체할 수 있는 구조를 채택했습니다. 로봇 제어는 별도로 학습된 액션 엑스퍼트 모듈을 통해 수행하며, 이는 사전 학습된 핵심 모델을 고정한 상태에서 작동합니다.

팩트오르카의 학습 효율은 자체 개발한 플래그스케일 라이브러리를 통해 극대화되었습니다. H100 GPU 기준 초당 2.91개의 학습 샘플을 처리하며, 이는 로봇 공학 분야에서 널리 사용되는 스타VLA 코드베이스보다 약 4.4배 빠른 속도입니다.

주장연구진은 인공지능의 지능이 언어 모델이나 비디오 생성기 같은 단일 목적 모델로 정의되어서는 안 된다고 강조합니다. 세상의 변화를 일반적인 방식으로 파악하고 이를 다양한 작업의 기초로 활용하는 모델이 필요하다는 견해입니다.

교차검증오르카는 시각 정보와 텍스트만을 학습하며 소리, 힘, 촉각과 같은 물리적 감각 데이터는 배제되어 있습니다. 또한 4B 수준의 파라미터 규모로는 완전한 월드 모델링을 수행하는 데 한계가 존재합니다.

교차검증인공지능 학계에서는 월드 모델의 정의를 두고 논쟁이 이어지고 있습니다. 소라(Sora)와 같은 단순 텍스트-비디오 모델은 물리적 법칙을 완벽히 구현하지 못한다는 지적이 있으며, 오르카 역시 실제 물리적 환경의 복잡한 상호작용을 완벽히 대체하기에는 추가 연구가 필요합니다.

출처더 디코더(The Decoder) 보도 내용 및 베이징 인공지능 아카데미(BAAI) 기술 보고서를 교차 검증했습니다.