RT-Trajectory
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Google DeepMind,University of California San Diego,Stanford University
- Tipo de Organización
- Industry,Academia,Academia
- País
- United States of America
- Publicado
- 3 November 2023
- Autores
- Jiayuan Gu, Sean Kirmani, Paul Wohlhart, Yao Lu, Montserrat Gonzalez Arenas, Kanishka Rao, Wenhao Yu, Chuyuan Fu, Keerthana Gopalakrishnan, Zhuo Xu, Priya Sundaresan, Peng Xu, Hao Su, Karol Hausman, Chelsea Finn, Quan Vuong, Ted Xiao
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Robotics
- Tarea
- Robotic manipulation
- Enfoque
- Reinforcement learning
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Unknown
- Citas
- 138
from blog https://deepmind.google/discover/blog/shaping-the-future-of-advanced-robotics/ "When tested on 41 tasks unseen in the training data, an arm controlled by RT-Trajectory more than doubled the performance of existing state-of-the-art RT models: it achieved a task success rate of 63%, compared with 29% for RT-2." the task suite is custom, not public
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- RT-Trajectory: Robotic Task Generalization via Hindsight Trajectory Sketches
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
RT-Trajectory fue publicado por Google DeepMind,University of California San Diego,Stanford University, en el país registrado como United States of America, durante November 2023. La organización editora está clasificada como industry,Academia,Academia.
Funciona en el dominio de Robotics, y se registra como realizando la tarea de robotic manipulation.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
Su criterio de inclusión: sOTA improvement.
Respuestas
RT-Trajectory — preguntas comunes
RT-Trajectory— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
RT-Trajectory— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
RT-Trajectory— ¿Quién lo creó?
Fue publicado por Google DeepMind,University of California San Diego,Stanford University, basado en United States of America, una organización categorizada como industry,Academia,Academia.
RT-Trajectory— ¿cuándo fue lanzado?
Se publicó en November 2023. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
RT-Trajectory— ¿Para qué se utiliza?
Funciona en el dominio de Robotics, y se registra como manejando la tarea de robotic manipulation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
RT-Trajectory— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.