跳到正文

#具身智能

今日 0 条
11月14日周六
11月11日周三
  1. The Decoder71

    Nvidia 发布 GR00T 2 世界-动作模型,可从人类视频学习机器人动作

    Nvidia 在新研究报告中介绍 GR00T 2,这一世界-动作模型(WAM)同时预测下一步动作和未来短时视频画面,从而把人类视频中的动作迁移到机械臂。训练使用超过一千块 GB300 芯片的集群和约 40 万小时头戴摄像头拍摄的人类操作视频,测试中五指机器人无需遥操作即可完成点蜡烛、切香蕉等任务,成功率在 10% 到 80% 之间。

  2. The Decoder78

    Google DeepMind 发布 Gemini Robotics 2.5,在奔驰产线试点分拣金属件成功率达 96%

    Google DeepMind 发布视觉-语言-动作模型 Gemini Robotics 2.5,在奔驰匈牙利 Kecskemét 和德国 Sindelfingen 产线试点中,Apptronik 的 Apollo 2 机器人分拣金属件并按装配顺序放入托盘,成功率达 96%。

    推荐理由:读者可了解 Gemini Robotics 2.5 在奔驰产线试点中的成功率,以及配套开源越狱基准的测试结果。

11月10日周二
11月9日周一
11月6日周五
  1. Hugging Face Blog70

    NVIDIA 发布 Cosmos 3 四个开放权重模型,用于交互式世界模拟

    NVIDIA 在 Cosmos 世界模型平台下新增四个 Cosmos 3 开放权重检查点,均为 Cosmos 3 Nano 的后训练版本,含 16B 可训练参数,采用 OpenMDW1.1 许可,允许商用与非商用。

    推荐理由:文章给出四个开放权重检查点的能力分工与四阶段训练配方,读者可据此判断如何适配到自有传感器与机器人本体。

10月25日周日
10月21日周三
10月16日周五
  1. The Decoder78

    Google 发布 Gemini 4 Argon,瞄准机器人全流程单一模型

    Google 发布面向机器人任务的 Gemini 4 Argon,宣称用同一模型完成机器人控制、虚拟仿真环境构建与训练视频评估。演示中它让 Boston Dynamics Spot 在 MuJoCo 仿真中练习后完成踩踏板投罐任务,并从单张照片生成 77 项任务、4500 多个训练回合,使真机成功率从 56% 升至 75%、执行时间从 35 秒降至 24 秒。

    推荐理由:通过多个机器人演示与提示词细节,读者可判断单一模型覆盖仿真、控制与评估的实际边界。

10月14日周三
  1. Google DeepMind88

    Google DeepMind 发布 Gemini 4 Argon 机器人模型

    Google DeepMind 发布 Gemini 4 Argon,主打物理理解、代码生成与视觉语义推理,在 Embodied Reasoning(ERQA)基准上以纯推理取得 87%,称超过其他前沿模型。

    推荐理由:官方给出 Argon 在 ERQA 上的得分与四类机器人工作流示例,可据此判断物理推理模型在机器人栈中的落点。

10月11日周日
10月6日周二
  1. The Decoder71

    Reka AI 发布 190 亿参数全模态模型 Rho-1,统一处理文本、图像、视频与机器人控制

    Reka AI 发布 190 亿参数全模态模型 Rho-1 的研究预览版,可在单一神经网络中处理并生成文本、图像、视频和机器人控制动作。与多数将任务分发给专用模型的系统不同,Rho-1 把所有模态作为 token 放在同一上下文窗口中运行,无需工具调用或外部模型,可实时生成连续视频并即时响应新指令,预测摄像头图像的同一套权重也驱动机器人运动。

7月30日周四
  1. Google DeepMind71

    Google DeepMind 发布 Gemini Robotics ER 2 具身推理模型

    Google DeepMind 发布 Gemini Robotics ER 2,定位为机器人的高层大脑,可对话、理解物理世界并规划多步任务,再把动作执行交给底层 VLA 模型。

    推荐理由:官方给出视频理解、任务编排与多机器人协作的能力变化和开放入口,可据此判断机器人在真实环境中的任务完成方式。

7月28日周二
4月13日周一
  1. Google DeepMind71

    Google DeepMind 发布 Gemini Robotics-ER 1.6,新增仪表读数能力

    Google DeepMind 发布 Gemini Robotics-ER 1.6,这是其面向机器人的推理优先模型升级版,重点增强空间推理与多视角理解,并新增仪表读数能力,可解读圆形压力表、液位指示器和数字读数。

    推荐理由:官方给出与前代及 Gemini 3.0 Flash 的对比,并首次加入仪表读数能力,可据此判断机器人在巡检场景的落地边界。