Nex-N1:通过统一生态系统构建大规模环境以训练智能体模型 / Nex-N1: Agentic Models Trained via a Unified Ecosystem for Large-Scale Environment Construction
1️⃣ 一句话总结
这篇论文提出了一个名为Nex的统一生态系统,通过自动生成多样且复杂的交互环境来训练大语言模型成为自主智能体,其训练的Nex-N1模型在复杂任务上表现优异,媲美顶尖商业模型。
请先 登录 后再提交论文
Nex-N1:通过统一生态系统构建大规模环境以训练智能体模型 / Nex-N1: Agentic Models Trained via a Unified Ecosystem for Large-Scale Environment Construction
这篇论文提出了一个名为Nex的统一生态系统,通过自动生成多样且复杂的交互环境来训练大语言模型成为自主智能体,其训练的Nex-N1模型在复杂任务上表现优异,媲美顶尖商业模型。
通过经验合成扩展智能体学习 / Scaling Agent Learning via Experience Synthesis
这篇论文提出了一个名为DreamGym的框架,它通过合成多样化的虚拟经验数据来高效训练强化学习智能体,从而克服了传统方法依赖真实环境交互成本高、任务单一等难题,并在多种测试中显著提升了训练效果和实际应用性能。
基于高斯泼溅的真实世界零样本机器人操作学习高保真模拟数据生成 / High-Fidelity Simulated Data Generation for Real-World Zero-Shot Robotic Manipulation Learning with Gaussian Splatting
这篇论文提出了一种名为RoboSimGS的新方法,通过结合3D高斯泼溅和多模态大语言模型,将真实世界图像自动转换为高保真、可物理交互的模拟环境,从而让在模拟环境中训练的机器人策略能够直接成功应用于真实世界的各种操作任务,有效解决了模拟与现实之间的性能差距问题。
DexNDM:通过关节级神经动力学模型弥合灵巧手内旋转的现实差距 / DexNDM: Closing the Reality Gap for Dexterous In-Hand Rotation via Joint-Wise Neural Dynamics Model
这项研究提出了一种新方法,通过一个高效的关节级动力学模型和自主数据收集策略,成功解决了机器人灵巧手在真实世界中旋转各种复杂物体时,从模拟训练到实际应用的转换难题。