Teaching Vision-Language Agents with Deliberate Practice (DPPO)

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

Koneiden käyttäytymistä ei tarvitse enää kirjoittaa kaavoiksi käsin

Koneiden käyttäytymistä ei tarvitse enää kirjoittaa kaavoiksi käsin

Kun hissi lähtee liikkeelle, ilmastointi säätää puhallusta tai robotti asettaa ruuvin paikalleen, taustalla on malli siitä, miten kone käyttäytyy. Niitä on perinteisesti rakennettu niin kuin hyviä reseptejä: asiantuntija kerää kokemusta, mittaa, kirjoittaa yhtälöitä ja virittää pitkään. Se vie aikaa – ja jokainen muutos laitteessa tai ympäristössä tarkoittaa uutta työtä. Viime vuosina

By Kari Jaaskelainen
Oppimalla ohjattu vedenalainen robotti löysi telakan – myös oikeassa vedessä

Oppimalla ohjattu vedenalainen robotti löysi telakan – myös oikeassa vedessä

Kun robotti-imuri hivuttautuu kotona lataustelakkaansa, kukaan ei pidä hetkeä ihmeenä. Veden alla sama temppu on kaikkea muuta kuin arkipäivää – näkyvyys on huono, virtaukset nykivät, eikä satelliittipaikannus auta. Silti juuri tähän suuntaan on otettu askel, joka voi venyttää vedenalaisten robottien toimintamatkaa ja -aikaa. Vuosia on ajateltu, että vedenalaisen telakoitumisen kaltaiset tehtävät

By Kari Jaaskelainen
Oppivat liikennevalot voivat lyhentää jonotusaikaa kymmenesosan

Oppivat liikennevalot voivat lyhentää jonotusaikaa kymmenesosan

Kaikki tietävät hetken, kun seisot punaisissa valoissa keskellä yötä, eikä mihinkään suuntaan näy autoja. Tai aamun, jolloin tavallinen risteys puuroutuu yllättäen, koska osa kuljettajista päättääkin kääntyä eri suuntaan kuin yleensä. Liikennevalot ovat sääntöjen koneita, mutta liikenne elää kuin säätila. Pitkään ratkaisuksi on ehdotettu ”älykkäitä” valoja, jotka oppivat liikenteestä ja säätävät

By Kari Jaaskelainen