Tango
PulseAugur coverage of Tango — every cluster mentioning Tango across labs, papers, and developer communities, ranked by signal.
- 2026-09-08 research_milestone A new framework called TANGO was introduced for humanoid robot navigation in cluttered environments using vision and language. 来源
1 天有情绪数据
-
TANGO框架使用多智能体强化学习协同设计RNA拓扑与几何
研究人员开发了TANGO，一个新颖的多智能体强化学习框架，用于RNA拓扑与几何的协同设计。该方法通过整合二级碱基配对拓扑与三级结构目标，解决了现有方法的局限性。TANGO采用分阶段的课程学习，从拓扑感知策略开始，逐步过渡到通用协同设计模型，最终通过前沿引导的微调来优化设计。实验证明了TANGO的有效性，与基线方法相比，在三级和二级结构性能上均有显著提升。
-
TANGO框架利用强化学习协同设计RNA拓扑与几何 · 跟踪2个来源
研究人员推出了TANGO，一个基于拓扑和几何协同设计RNA序列的新框架。这种多目标、多智能体强化学习方法解决了现有方法主要关注几何目标这一局限性。TANGO采用分阶段课程学习，首先从二级结构目标学习，然后转移到三级结构目标，最终通过前沿引导的微调来优化设计。实验表明，TANGO能够生成多样化且新颖的RNA设计，与基线方法相比，在三级和二级结构性能上都有显著提升。
-
TANGO框架使人形机器人能够使用语言导航杂乱空间
研究人员开发了TANGO，一种新颖的人形机器人全身视觉-语言导航框架。该系统使机器人能够根据自然语言指令在杂乱的室内环境中导航，预测29-DoF关节空间动作以实现精确的全身控制。TANGO完全在模拟环境中训练，并展示了最先进的性能，即使在复杂的障碍物协商场景中也优于模块化基线。值得注意的是，该框架在Unitree G1人形机器人上成功进行了零样本部署，在真实的杂乱空间中实现了鲁棒导航，而无需任何真实世界训练数据。
-
ESA的Cluster任务在太空探索26年后结束
欧洲空间局（ESA）的Cluster任务在运行了26年后即将结束其业务。这四艘航天器提供了关于地球磁层宝贵的数据，目前正准备进行最后的机动。这次延长的任务证明了其强大的工程设计和成功的运行，使得探测器远远超出了预期的寿命。
-
TANGO模型引入了新颖的门控算子用于语言建模
研究人员推出了一种新颖的语言建模架构TANGO，该架构通过非线性门控算子聚合令牌信息。该方法用单个跨令牌门控残差更新取代了标准的Transformer组件。其变体WANGO通过处理最近的窗口并使用旧数据的前缀统计信息，提供了线性复杂度。尽管TANGO的操作次数较高，但TANGO和WANGO在FineWeb-Edu、Lean和DeepMind Mathematics等基准测试上的表现均优于其他模型。
-
新框架利用基础模型改进航天器分割
研究人员开发了GeoDistill-Refine，一个新颖的两阶段框架，旨在利用基础模型提高航天器分割的准确性。该方法通过首先学习前景轮廓，然后用符号距离场、骨架和面积目标进行细化，来解决Segment Anything Model 3等模型生成的伪掩码中的几何误差。该框架在SpaceSense-Bench HJM数据集上展示了图像IoU和边界F1分数的显著提高，优于纯伪标签学生模型，并在其他领域取得了有竞争力的结果。
-
新的 TANGO 方法增强了自回归视频生成的真实感
研究人员开发了一种名为 TANGO（通过噪声引导优化避免终点）的新方法，以改进自回归视频生成模型。该技术通过使用扩散模型本身来指导生成过程，解决了误差累积和模型漂移的问题。TANGO 预测噪声分布，以确保生成的帧保持在真实视频的学习流形内，从而在真实感方面取得显著改进，并降低了 Fréchet Video Distance。
-
棕榈滩县否决 600 兆瓦人工智能园区项目，凸显许可风险
棕榈滩县委员否决了名为 Project Tango 的拟议 600 兆瓦人工智能数据中心园区。这一决定挑战了这样一种假设：即宣布的人工智能需求将自动转化为电力需求，因为当地许可正成为一个重大制约因素。投资银行 Jefferies 指出，这一结果给人工智能基础设施带来了不确定性，并建议社区接受和当地审批流程可能比电网容量更关键。该否决（不排除）允许开发商重新提交修改后的申请，但它凸显了人工智能园区开发可能面临的延误。
-
TanGO框架通过切线空间引导和优化提供无需训练的3D编辑 · 跟踪到2个来源
研究人员推出TanGO，一个新颖的、无需训练的3D生成模型编辑框架。该方法通过在生成动力学的切线空间内实现自适应的每token引导，解决了现有方法在语义伪影和不完整变换方面的局限性。TanGO利用一步最优控制规则和方向差异度量来管理每个token的控制信号，从而显著减少结构伪影，并提高了相对于当前3D编辑基线的性能。