TAG:Transformer

具身智能公司提出新方法，解决困扰机器人长程任务多年的“奖励瓶颈”问题

文章聚焦机器人长程任务中的“奖励瓶颈”，介绍逐际动力联合高校提出的ARM框架：以“前进/后退/停滞”三态相对优势替代绝对进度估计，并结合MIMO时序Transformer、自动化进度重建与AW-BC训练策略，显著提升长视界操作学习效率与稳定性，在双手毛巾折叠任务中实现99.4%成功率。

机器人大讲堂

2026-04-22 11:06

GEN-1和千寻的共识：历史不会重复，但具身智能正在押韵Transformer

本文将具身智能的当前发展与2018年Transformer引发的大模型革命相类比，揭示了行业突破性进展。美国Generalist AI的GEN-1模型通过海量人类行为数据预训练，显著提升物理操作任务成功率并降低机器人数据依赖，被视为具身智能的“ChatGPT时刻”。文章强调，国内千寻智能与GEN-1在数据驱动、高效数据利用及可穿戴设备采集人类数据等技术路线上高度同频，预示着全球具身智能发展路径的收敛。这种颠覆传统“机器教学”的范式变革，有望解决行业“数据贵、落地难”的痛点，推动具身智能实现大规模落地，迈向

具身研习社

2026-04-07 19:06

为Transformer注入长期记忆：Memo框架通过“学会做摘要”解决具身智能核心挑战

牛津大学研究团队提出Memo框架，为Transformer模型注入长期记忆能力。该框架模仿人类笔记行为，让模型自主生成任务相关的摘要标记，通过动态记忆缓冲区存储和检索关键信息，解决了传统Transformer在长序列任务中的记忆限制问题。实验表明Memo在具身智能任务中性能优异，上下文标记减少8倍，同时保持强大的长时域推理能力。