RT-1 + AutoRT
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Google DeepMind
- Organisatie type
- Industry
- Land
- United States of America
- Gepubliceerd
- 4 January 2024
- Auteurs
- 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
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Robotics
- Taak
- Robotic manipulation
- Basis model
- RT-1
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Parameters
- 35M
- Opleidingsgegevens
- 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"
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Model toegang
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Vereiste vertrouwen
- Likely
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
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.
De gewichten zijn nooit gepubliceerd, dus het kan alleen worden bereikt via de aanbieder. Geen enkele grafische kaart verandert dat.
Wat erin is gestopt om het te bouwen
Around 207,000 tokens went into training it.
Antwoorden
RT-1 + AutoRT — Veelgestelde vragen
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.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.