4BモデルがRLでGPT-6 Astraを21%上回る飛ぶTesla Roadsterの操縦を実現
Post-training 4B model with RL to fly Tesla Roadster 21% better than GPT-6 Astra
Teslaの飛ぶRoadsterの物理シミュレータを使い、LLMに0.2秒ごとの操縦判断をさせるRL環境を構築。DeepSeek V4.1 FlashやGPT-6 Astraなど最新モデルは実時間では判断に1〜6秒かかりほぼ全滅。一方、約13ドルでRL学習したQwen3-4Bは0.09秒で応答し、嵐の中でもキックフリップの90%を着地。思考時間を無制限にしてもGPT-6 Astraは74%にとどまった。
実時間ではDeepSeek、GPT-6 Astra、Muse、Nemotron、Beamの着地率は0%で、RLで学習した4Bモデルは90%を着地させた。