중국 오카(Orca) 세계 모델, 행동 라벨링 없이도 로봇 전문 시스템과 맞먹는 성능 달성
베이징인공지능연구원(BAAI)이 단 하나의 행동 라벨링 데이터 없이도 로봇 제어 등 5가지 주요 과업에서 전문 시스템과 동등한 성능을 보이는 '오카(Orca)' 세계 모델을 공개했습니다. 이 모델은 픽셀이나 토큰 예측 대신 추상적인 내부 표현을 통해 세계의 상태를 예측하여 학습하며, 이를 통해 로봇 공학의 만성적인 데이터 부족 문제를 해결할 수 있는 대안으로 주목받고 있습니다.
중국의 오카(Orca) 세계 모델이 단 한 번의 행동 라벨(action label) 노출 없이도 5가지 로봇 과업에서 전문 시스템과 맞먹는 성능을 달성했습니다. 이러한 접근 방식은 로봇 공학 분야의 만성적인 데이터 부족 문제를 해결하는 데 도움이 될 수 있습니다.
베이징인공지능연구원(BAAI)은 현재 주류를 이루는 AI 방식에서 벗어난 '세계 기반 모델(world foundation model)'인 오카(Orca)를 공개했습니다. 오카는 다음 토큰, 다음 비디오 프레임 또는 다음 로봇의 행동을 예측하는 대신, 추상적인 내부 표현(internal representation)을 통해 세계의 다음 상태를 모델링합니다.
기술 보고서에 따르면, 지능은 언어 모델, 비디오 생성기 또는 로봇 컨트롤러와 같은 특수한 예측 모델로 정의되어서는 안 됩니다. 연구팀은 세계가 어떻게 변화하는지에 대한 일반적인 이해를 구축하고 이를 다양한 작업의 기반으로 삼을 수 있는 모델이 필요하다고 주장합니다.
상호 작용하는 두 가지 학습 방식
오카는 두 가지 학습 모드를 결합합니다. '무의식적 학습(Unconscious learning)'은 자막이나 설명 없는 원본 비디오를 사용합니다. 모델은 이미지를 보고 픽셀 수준이 아닌 추상적인 공간에서 다음 이미지가 어떻게 보일지 예측하며, 이 과정에서 움직임 패턴, 가려짐(occlusion), 일반적인 장면 역학을 파악합니다.
'의식적 학습(Conscious learning)'은 음성 지시사항을 추가합니다. 비디오는 여러 세그먼트로 나뉘고 각 세그먼트에는 상태 변화에 대한 설명이 라벨링되어, 특정 행동이 발생할 때 상태가 어떻게 변하는지 학습합니다. 또한 자연어 쿼리에 계속 응답할 수 있도록 고전적인 비디오 질의응답(QA) 작업으로 훈련됩니다.
교체 가능한 출력 헤드를 가진 고정된 코어
사전 학습된 언어-이미지 모델인 큐웬(Qwen3.5)이 기반으로 사용되며, 학습 후에는 이 코어가 고정(frozen)됩니다. 각 출력 유형에 대해 연구진은 내부 상태를 원하는 형태로 변환하는 별도의 작은 모듈을 부착합니다.
텍스트는 큐웬3.5의 기존 언어 헤드를 통해 출력됩니다. 이미지의 경우, 스테이블 디퓨전(Stable Diffusion 3.5) 역시 변경되지 않은 상태로 유지되며, 오카의 내부 상태를 이미지 생성기로 전달하기 위해 상단의 작은 어댑터(adapter)만 학습됩니다. 로봇의 행동은 처음부터 새로 학습된 '액션 전문가(Action Expert)'라는 제어 모듈에서 나옵니다.
이러한 분리는 의도적인 것입니다. 연구팀은 단일 벤치마크에서 최고 점수를 추구하는 것이 아니라, 잘 학습된 내부 세계 상태가 매우 다른 작업들을 위한 공유 기반으로 사용될 수 있음을 보여주고자 했기 때문입니다.
학습을 위해 연구진은 12만 5,000시간의 비디오 영상, 1억 6천만 개의 이벤트 설명, 1,150만 개의 질문-답변 쌍을 구성했습니다. 비디오는 일상적인 상호작용의 1인칭 샷, 사물 조작의 3인칭 샷, 행동 데이터가 없는 로봇 기록, 자연적으로 발생하는 장면 등 4가지 시점을 다룹니다. 현재 버전에서는 전체 비디오 데이터의 10분의 1만 사용되었습니다.
스케일링 동작 및 벤치마크 결과
오카는 8천만(0.8B) 및 40억(4B) 개의 매개변수 크기로 학습되었습니다. 학습 손실(training loss)은 데이터가 많아지고 모델이 커질수록 꾸준히 감소하며, 초기 테스트는 사전 학습 중 내부 세계 상태가 좋아질수록 세 가지 출력 모드 모두에서 더 나은 결과를 보여줍니다.
텍스트 벤치마크에서 오카-4B(Orca-4B)는 비교된 소규모 시각-언어 모델(VLM) 및 대형 세계 모델 중 MVBench, TemporalBench, 3DSRBench, SWITCH에서 51.8%의 최고 전체 평균을 기록했습니다. 큐웬3.5-4B가 MVBench에서 선두를 차지하는 등 모든 단일 테스트에서 승리하지는 못했지만, 평균적으로 큐웬3.5-4B, 제마 4-4B(Gemma 4-4B), 딥시크-VL2-3B(DeepSeek-VL2-3B)와 같은 여러 VLM 기준 모델을 능가했습니다. 또한 오카-4B는 평균적으로 훨씬 더 큰 세계 모델인 이뮤3(Emu3, 8B) 및 이뮤3.5(Emu3.5, 34B)를 능가합니다.
이미지 예측을 위해 연구진은 실제 로봇 및 1인칭 장면을 사용하여 모델에 "전자레인지를 닫아라"와 같은 명령의 결과를 보여주는 이미지를 생성하도록 요청하는 'PRICE-V0.1'이라는 자체 벤치마크를 구축했습니다. 오카-4B는 평균 59.8%를 기록하며 전문 이미지 생성 시스템을 능가했습니다.