Teaching Vision-Language Agents with Deliberate Practice (DPPO)

Share
Teaching Vision-Language Agents with Deliberate Practice (DPPO)

Building capable embodied AI is hard: real-world data is scarce and training is expensive. This paper introduces Deliberate Practice Policy Optimization (DPPO), a coach-like training loop that helps vision-language agents learn more from less.

How it works: the system alternates between learning from examples (to expand skills) and trial-and-error reinforcement learning (to polish them). It spots its own weak spots and focuses practice where it matters most.

  • Unified view: framed as preference learning for consistent objectives.
  • Efficiency: maximizes progress with limited, sparse data.
  • Results: Pelican-VL 1.0 trained with DPPO improves 20.3% over its base and beats open-source 100B-parameter models by 10.6%.
  • Open source: code and models released for the community.

Bottom line: DPPO is a practical bridge between vision-language models and real-world embodied skills, making versatile agents cheaper and faster to train.

Paper: https://arxiv.org/abs/2511.16602

Paper: https://arxiv.org/abs/2511.16602v1

Register: https://www.AiFeta.com

AI EmbodiedAI Robotics ReinforcementLearning VisionLanguage VLM MachineLearning OpenSource

Read more

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Uusi vertailu näyttää, että tekoälyn tapa muotoilla järjestelmävaatimuksia luonnollisen kielen kysymyksiksi vaihtelee mallin ja aiheen mukaan. Siksi tärkeintä ei ole valita ”parasta” mallia, vaan tilanteeseen sopiva. Kuvitellaan tuttu kokous: pöydän ääressä yritetään päättää, mitä uuden tietojärjestelmän pitää pystyä tekemään. Syntyy lista kysymyksiä, joihin järjestelmän on osattava vastata. Esimerkiksi: ”Mitkä lääkkeet

By Kari Jaaskelainen
Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Kun tutkija jättää työpöytänsä, hänen äänensä ei välttämättä vaikene. Pelkistä julkaisuista voidaan jo rakentaa tekoäly, joka ohjaa väitöskirjaa, arvioi artikkeleita ja väittelee paneelissa – uskottavasti. Useimmat meistä ajattelevat tutkimusartikkeleita kirjastoiksi: hyllyriveiksi ajatuksia, joihin muut voivat palata. Uusi arXivissa julkaistu esityspaperi ehdottaa toisenlaista kuvaa. Julkaisut ovatkin rakennuspiirustuksia, joista voidaan koota tekijänsä ajattelutapa

By Kari Jaaskelainen
Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Moni tietää tunteen seminaarin päätteeksi: ohjelma oli kiinnostava, mutta kuka päätti, mistä puhuttiin ja mistä ei? Usein vastaus on pieni ohjelmakomitea, joka tekee valinnat ennakkoon. Yleisö kuuntelee, harva vaikuttaa. Eräässä tekoälyn yhteiskunnallisia vaikutuksia käsittelevässä kansainvälisessä konferenssissa kokeiltiin toisenlaista tapaa. Osallistujat eivät vain tulleet paikalle – he auttoivat muokkaamaan itse tilaisuuden suuntaa.

By Kari Jaaskelainen