BLOOM 的模型架构与GPT3非常相似，只是增加了一些改进，本文稍后将对此进行讨论。该模型是在Jean Zay上训练的，Jean Zay 是由 GENCI 管理的法国政府资助的超级计算机，安装在法国国家科学研究中心 (CNRS) 的国家计算中心IDRIS。训练所需的算力由 GENCI 慷慨捐赠给本项目 (捐赠号 2021-A0101012475)。GPU: 384 张 NVIDIA A100 8

本文探讨了世界模型代理(WAM)的性能优势来源，提出了Fast-WAM架构来解耦训练阶段的视频建模与推理阶段的显式未来生成。研究发现，视频预测的主要价值在于训练阶段提升世界表征，而非推理阶段的未来观测生成。Fast-WAM在保留视频协同训练的同时，跳过推理时的未来预测，仍能保持竞争力。实验表明，去除视频共训练会导致更大性能下降，证实了训练阶段视频建模对学习物理先验和动作相关表征的关键作用。这一发现

摘要：本文提出了一种轻量级方法，通过RLtoken实现对预训练视觉-语言-动作模型(VLA)的高效在线强化学习微调。该方法使VLA输出紧凑的RLtoken表征，保留预训练知识的同时作为RL接口，在其上训练小型actor-critic网络进行动作精炼。实验表明，仅需几小时真实世界练习即可显著提升VLA在精确任务上的表现，解决了传统RL方法难以高效微调大规模VLA的问题，在保持模型泛化能力的同时实现了

程序员面试、算法研究、编程艺术、红黑树、机器学习5大经典原创系列集锦与总结作者：July--结构之法算法之道blog之博主。时间：2010年10月-2018年5月，一直在不断更新中..出处：http://blog.csdn.net/v_JULY_v。说明：本博客中部分文章经过不断修改、优化，已集结出版成书《编程之法：面试和算法心得》。前言开博4年有余，...

本文提出GigaWorld-Policy，一种高效的以动作为中心的世界-动作模型。相比现有方法依赖显式视频生成导致高延迟和误差累积，该模型将未来视觉动态作为监督信号而非必要输出，在训练时联合优化动作预测和视觉动态预测，推理时可直接输出动作指令而无需生成视频。模型采用课程式训练流程，先通过大规模视频预训练获取物理先验，再在具身数据上微调，最后对齐目标机器人的控制接口。实验表明该方法在保证性能的同时显

摘要：本文提出Ψ0模型，一种面向人形机器人全身操控的视觉语言动作基础模型。该模型采用多阶段训练范式：首先在大规模人类第一视角视频(800小时)上预训练视觉语言模型，学习通用运动先验；随后在真实机器人数据(30小时)上训练基于流模型的动作专家，实现精确关节控制。模型采用三重架构：视觉语言骨干网络(System-2)提取特征，多模态扩散Transformer(System-1)预测动作，结合现成的RL

摘要： 本文提出了一种双执行体的人类在环RL框架（HIL-DAFT），用于在双足人形机器人上部署视觉-语言-动作（VLA）模型与离线到在线强化学习（RL）的结合。该框架通过主执行体生成通用动作，精细化执行体在潜在噪声空间中进行细粒度调整，采用“对话与微调”机制将物理纠正转化为语义指令。实验表明，该方法在101分钟在线微调后实现了100%的子任务成功率，并在长时序操作中保持50%的完成率，展现了高效

本文系统介绍了三种3D人体姿态估计方法：WHAM、HaMeR和GVHMR。重点阐述了WHAM的架构设计，它通过结合ViTPose检测的2D关键点和图像特征，利用RNN编码运动上下文，实现从视频到SMPL参数的精确估计。文章详细解析了WHAM的两阶段训练策略：先在AMASS数据集预训练，再在真实视频数据上微调。同时介绍了WHAM的创新点，包括全局轨迹解码器设计和接触感知轨迹优化方案，有效解决了脚滑问

AgiBot World Colosseo，这是一个全栈式大规模机器人学习平台，旨在推动可扩展和智能化的体感系统中的双手操作研究。他们建造了一个总面积达4000平方米的设施，涵盖五个主要领域——家庭、零售、工业、餐厅和办公室环境——专用于在真实的日常场景中进行高保真数据收集AgiBot World从100个真实机器人收集了超过100万条轨迹，提供了前所未有的多样性和复杂性。它涵盖了超过100个现实

如此前的博客所说，我司「七月在线」正在并行开发多个订单，目前正在全力做好每一个订单，因为保密协议的原因，暂时没法拿出太多细节出来分享​但可以持续解读我们所创新改造或的对象，即解读paper和开源库「当然 有些paper/库还没开始用，但也可以提前解读，作为关注了解而其中有一个订单涉及到行走之外的导航、避障，项目组在确定解决方案的过程中，看到了NaVILA这个工作，故本文来解读下。