搜索：机器人具身推理

「机器人具身推理」共找到 3391 篇相关文章

LLM 仅靠自身就能增强推理？SePT 给出简洁在线自训练范式

多数推理后训练方法依赖外部信号，SePT仅用模型自身生成的答案自训练，能提升推理能力，数学推理任务准确率升10个点。它核心简洁，设计关键是温度解耦等，不损模型通用能力，代码易迁移复现。

当下具身智能进入加速期，但具身模型从Demo走向真实世界运行路径复杂，存在技术路线未收敛、数据匮乏等问题。量子位等联合发起沙龙，4月25日周六14:00，一线从业者与研究者将分享经验，探讨具身智能关键环节。

鹿明机器人成立不到一年就凭借人形机器人LUS破圈。2026年其计划建成超100万小时UMI数据采集产能，预期营收过亿，但CEO喻超更关注通用智能终局，认为人形机器人是终极方案。

斯坦福Hazy Research团队将开源模型Llama - 3.2 - 1B前向推理整合为“Megakernel”，把推理延迟大幅降低，显存带宽利用率显著提升。团队指出当前主流LLM推理系统在小batch、极低延迟场景下低效，提出Megakernel以重构执行方式。

斯坦福Hazy实验室推出低延迟推理引擎「Megakernel」，将Llama - 1B前向传播融入单一GPU内核，H100上提速1.5倍，B200上每次推理仅0.00068秒，比vLLM快3.5倍。文章分析传统引擎问题并介绍Megakernel设计。

文章认为机器人的 GPT 时刻可能比想象更近，未来 2 - 3 年或出现较通用机器人，3 - 5 年有望规模化部署。还分析了当前机器人发展情况、瓶颈及数据获取方式，同时介绍了上周市场动态和多家公司的 AI 相关事件。

AICon2025上海站，GMI Cloud资深架构师Frank Lee分享《GMI Cloud全球化高性能分布式推理服务构建实践》，介绍其推理平台，拆解扩缩容等能力，分享架构设计、部署及优化实践，揭秘推理提效关键路径。

Google 112 页论文实证，OpenAI 的 o 系列等模型推理能力提升并非仅因计算时间延长，而是源于对复杂互动的隐式模拟。通过三重验证表明推理能力跃迁或因‘吵得更凶’，而非‘算得更久’。

南洋理工大学团队提出MonoArt，将单目可动物体重建建模为渐进式结构推理过程，通过四个关键模块逐步推理，无需外部先验，在PartNet - Mobility基准测试中表现领先，兼顾推理效率，还可用于下游任务。

物理AI成新征途，通用机器人面临工程难题。酷哇科技发布COOWA WAM 2.0世界模型，实现范式升级。其有四大技术支柱，助力机器人发展。酷哇预计2026年交付超万台机器人，还构想了“Robo City”图景。