RT-1 + AutoRT
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul vostro hardware a qualsiasi dimensione. È accessibile solo attraverso il suo fornitore, e nessuna scheda grafica può cambiare questo.
In registrazione
Specifiche complete
Tutto ciò che riguarda questo modello. La maggior parte delle informazioni descrive come è stato addestrato piuttosto che come viene eseguito — un contesto utile per valutare la quantità di lavoro impiegata e come si confronta con modelli realizzati su scala diversa.
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Google DeepMind
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 4 January 2024
- Autori
- Michael Ahn, Debidatta Dwibedi, Chelsea Finn, Montse Gonzalez Arenas, Keerthana Gopalakrishnan, Karol Hausman, Brian Ichter, Alex Irpan, Nikhil Joshi, Ryan Julian, Sean Kirmani, Isabel Leal, Edward Lee, Sergey Levine, Yao Lu, Isabel Leal, Sharath Maddineni, Kanishka Rao, Dorsa Sadigh, Pannag Sanketi, Pierre Sermanet, Quan Vuong, Stefan Welker, Fei Xia, Ted Xiao, Peng Xu, Steve Xu, Zhuo Xu
Cosa fa
Le aree problematiche per cui è stato costruito il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Robotics
- Compito
- Robotic manipulation
- Modello di base
- RT-1
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono il valore che decide se si adatta a una determinata scheda grafica.
- Parametri
- 35M
- Dati di addestramento
- 207,000 tokens
from RT-1
"Data statistics: In total, 53 robots were used to collect 77,000 new episodes over the course of 7 months, with a peak load of over 20 simultaneous robots. Over 6,650 unique instructions appear in the dataset"
Disponibilità
Se puoi ottenere il modello e eseguirlo sul tuo hardware, il che decide se una delle cifre della scheda grafica su questa pagina si applica.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
Come è classificato
Etichette che il dataset sorgente applica quando si monitorano modelli notevoli e quanto è fiducioso nell'entry.
- Registrare fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Background
RT-1 + AutoRT was published by Google DeepMind, in United States of America, in January 2024. The organisation is categorised as industry.
It works in Robotics, and is recorded as doing robotic manipulation.
It builds on RT-1, which is why it shares that model's general shape and size.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda grafica cambia ciò.
Cosa ci è voluto per costruirlo
Around 207,000 tokens went into training it.
Risposte
RT-1 + AutoRT — Domande frequenti
What is RT-1 + AutoRT used for?
RT-1 + AutoRT works in Robotics, and is recorded as handling robotic manipulation. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run RT-1 + AutoRT?
None. RT-1 + AutoRT is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is RT-1 + AutoRT open source?
No. RT-1 + AutoRT has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does RT-1 + AutoRT have?
RT-1 + AutoRT has 35M parameters. from RT-1. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created RT-1 + AutoRT?
RT-1 + AutoRT was published by Google DeepMind, based in United States of America, categorised as industry.
When was RT-1 + AutoRT released?
RT-1 + AutoRT was published in January 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
L'altra direzione
Guardando la questione dall'altra parte?
Questa pagina inizia dal modello. Se possedete già una scheda e desiderate conoscere tutto ciò che può eseguire, inizia dall'hardware invece.