[↖ Publicações](https://www.goodailabs.com/pt/blog/) ANÚNCIO 5 de outubro de 2026 Aprendizado robótico # Apresentamos Samsara-VLA Controle robótico com memória, em dois modelos compactos. Good AI Labs · 2 min de leitura [Modelo e avaliação ↗](https://www.goodailabs.com/pt/research/samsara-vla/) [Acesso para pesquisa ↗](mailto:research@goodailabs.com?subject=Samsara-VLA%20research%20access) Samsara-VLA / Em ação ## Da instrução à tarefa concluída Samsara-VLA acima. Samsara-VLA Tiny abaixo. Todas as categorias à vista. ### Espacial Encontrar o objeto descrito pela sua posição. Samsara-VLA Câmera de cenaCâmera de pulso [Assistir Samsara-VLA · Espacial (MP4)](https://www.goodailabs.com/media/samsara/release/base/spatial.mp4). “Pegue a tigela preta entre o prato e o ramequim e coloque-a no prato” ✓ Tarefa concluída5.9 S Samsara-VLA Tiny Câmera de cenaCâmera de pulso [Assistir Samsara-VLA Tiny · Espacial (MP4)](https://www.goodailabs.com/media/samsara/release/tiny/spatial.mp4). “Pegue a tigela preta entre o prato e o ramequim e coloque-a no prato” ✓ Tarefa concluída5.55 S ### Objetos Selecionar o objeto indicado entre outros objetos. Samsara-VLA Câmera de cenaCâmera de pulso [Assistir Samsara-VLA · Objetos (MP4)](https://www.goodailabs.com/media/samsara/release/base/object.mp4). “Pegue o cream cheese e coloque-o na cesta” ✓ Tarefa concluída8.2 S Samsara-VLA Tiny Câmera de cenaCâmera de pulso [Assistir Samsara-VLA Tiny · Objetos (MP4)](https://www.goodailabs.com/media/samsara/release/tiny/object.mp4). “Pegue o cream cheese e coloque-o na cesta” ✓ Tarefa concluída8.45 S ### Objetivos Modificar a cena conforme a instrução. Samsara-VLA Câmera de cenaCâmera de pulso [Assistir Samsara-VLA · Objetivo (MP4)](https://www.goodailabs.com/media/samsara/release/base/goal.mp4). “Abra a gaveta do meio do armário” ✓ Tarefa concluída7.8 S Samsara-VLA Tiny Câmera de cenaCâmera de pulso [Assistir Samsara-VLA Tiny · Objetivo (MP4)](https://www.goodailabs.com/media/samsara/release/tiny/goal.mp4). “Abra a gaveta do meio do armário” ✓ Tarefa concluída8.7 S ### Sequências Executar uma instrução com várias ações. Samsara-VLA Câmera de cenaCâmera de pulso [Assistir Samsara-VLA · Sequências longas (MP4)](https://www.goodailabs.com/media/samsara/release/base/long.mp4). “Coloque a sopa de letrinhas e a caixa de cream cheese na cesta” ✓ Tarefa concluída13.8 S Samsara-VLA Tiny Câmera de cenaCâmera de pulso [Assistir Samsara-VLA Tiny · Sequências longas (MP4)](https://www.goodailabs.com/media/samsara/release/tiny/long.mp4). “Coloque a sopa de letrinhas e a caixa de cream cheese na cesta” ✓ Tarefa concluída13.9 S Dois modelos. Quatro tipos de manipulação. Episódios bem-sucedidos selecionados dos dois checkpoints publicados. As câmeras da cena e do punho aparecem juntas. Ações completas gravadas e reproduzidas no simulador original. A reprodução segue o tempo da simulação e exclui as esperas de inferência. As taxas de sucesso vêm da avaliação completa. Samsara-VLA é uma política robótica que preserva o contexto entre observações. Usa duas vistas de câmera e uma instrução para pegar, colocar, abrir e completar sequências de ações. Os vídeos acima mostram episódios completos e bem-sucedidos dos dois modelos publicados. ## Dois tamanhos. Uma interface de política. O Samsara-VLA, com 217M parâmetros, concluiu 1,890 de 2,000 episódios nativos do LIBERO. O Samsara-VLA Tiny usa 136M parâmetros e concluiu 1,786 sob o mesmo protocolo de avaliação. Modelo completo ### Samsara-VLA Sucesso nativo no LIBERO 94.50% Parâmetros 217.43M 1,890 / 2,000 episódios bem-sucedidos Modelo compacto ### Samsara-VLA Tiny Sucesso nativo no LIBERO 89.30% Parâmetros 136.52M 1,786 / 2,000 episódios bem-sucedidos A diferença é mais clara nas tarefas longas: 89.8% de sucesso no modelo completo e 76.0% no Tiny. A seleção de objetos continua forte nos dois, com 99.4% e 98.2%. O Tiny reduz os parâmetros em 37.2%. ## Contexto entre ações Cada decisão combina uma nova vista da cena com uma memória compacta das observações anteriores. A política prevê doze ações de controle, executa-as e observa novamente. A memória é reiniciada ao começar uma nova tarefa. ## Uma política para rodar localmente Os dois modelos compartilham um SDK Python para CPU e CUDA, com exportações ONNX para inferência no navegador. Após carregar o modelo, a prévia roda no seu dispositivo com WebGPU ou WebAssembly CPU. São políticas experimentais de simulação. Os resultados nativos cobrem quarenta modelos de tarefas de treinamento com uma semente de avaliação; as demonstrações no navegador são separadas. Os modelos e a prévia estão disponíveis mediante acesso para pesquisa. Consulte o [cartão completo do modelo](https://huggingface.co/gai-labs/samsara-vla/blob/main/MODEL_CARD.md) para métodos e limitações, ou a página de pesquisa para resultados por conjunto e comparações com modelos publicados. [DETALHES DO MODELO ## Samsara-VLA Controle robótico com memória recorrente: 217M parâmetros e 94.50% de sucesso no LIBERO nativo. ↗](https://www.goodailabs.com/pt/research/samsara-vla/) [Mais do laboratório ↗](https://www.goodailabs.com/pt/blog/)