实体
Luo Jianlan
Luo Jianlan
PulseAugur coverage of Luo Jianlan — every cluster mentioning Luo Jianlan across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
具身智能需要真实世界闭环，而非仅仅LLM规模法则
具身智能领域的领军科学家罗建兰认为，该领域不应仅仅复制大型语言模型的规模法则。他强调了闭环系统的关键需求，即真实世界的部署持续将数据反馈给训练。罗指出，当前具身模型的“预训练”由于缺乏高质量、多样化的真实世界交互数据，更像是中期训练或微调。他提出了三个关键技术支柱：用于可扩展在线后期训练基础设施的SOP，用于部署中学习和持续进化的LWD，以及用于预测性基于物理的动作选择的τ0-WM世界模型。
-
基于17,800小时真实机器人数据训练的开源具身世界模型
研究人员推出了τ0-World Model (τ0-WM)，这是一个开源的具身世界模型，在海量的30,000小时数据上进行了训练，其中大部分（17,800小时）来自真实机器人远程操作。该模型超越了预测未来状态的能力，通过引入测试时计算（Test-Time Computation），使机器人在执行前能够评估和选择最优动作，甚至纠正潜在错误。与之前的模型相比，τ0-WM在复杂操作任务上表现出更优异的性能，挑战了仅将真实世界数据用于微调的传统方法。