Meno token, azioni migliori: gli agenti robotici GPT-6 Astra ottengono un tasso di successo superiore del 14% usando il 65% di token in meno

Abstract degli autori

Gli agenti basati su modelli visione-linguaggio (VLM) possono controllare i robot tramite feedback visivo e primitive d’azione, ma le ripetute chiamate al modello e le osservazioni ridondanti comportano un notevole consumo di token. Presentiamo PyRUA-Lean, un framework di esecuzione interattiva di codice che combina la composizione di primitive guidata dal feedback con l’osservazione selettiva: l’agente combina primitive robotiche classiche e policy visione-linguaggio-azione (VLA) apprese in celle Python che eseguono controlli condizionali e nuovi tentativi locali, restituendo per la ripianificazione solo le immagini e il feedback sullo stato richiesti esplicitamente. Su 700 istanze di attività simulate tratte da LIBERO-PRO, RoboTwin 2.0 e RoboCasa365, confrontiamo PyRUA-Lean con un sistema di riferimento basato su chiamate a strumenti, usando lo stesso pianificatore GPT-6 Astra e le stesse primitive robotiche sottostanti. A parità di budget di chiamate agli LLM, PyRUA-Lean porta il tasso di successo complessivo dal 63,1% al 71,7%. Nelle istanze risolte da entrambi gli agenti, usa il 49% di chiamate agli LLM e il 65% di token in input in meno.