Nuevos laboratorios

Chelsea Finn

Physical Intelligence y Universidad de Stanford

Por qué lo seguimos: Modelos de cimientos para robots

Fichajes

No hay fichajes publicados.

Artículos

Artículo2026-10-29 · arXiv (Cornell University)

Tecnología para entrenar conjuntamente datos de robots utilizando diversos controladores

Cross-Controller Transfer via In-Context Behavior Adaptation

Chelsea Finn y 2 más

Qué: Se desarrolló una tecnología para utilizar datos de robots que emplean diferentes métodos de control para el aprendizaje sin conflictos.
Resultado clave: La tasa de éxito promedio mejoró en 33 puntos porcentuales en comparación con los métodos convencionales.
Por qué importa: Demuestra el potencial para utilizar de manera más efectiva los datos de robots recopilados en diversos entornos.Resumen IA

Robótica e IA física

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-10-05 · arXiv (Cornell University)

Un método de recopilación de datos guiado por el rendimiento para mejorar la eficiencia del aprendizaje de robots

Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning

Chelsea Finn y 6 más

Qué: Los investigadores propusieron Mulligan, una técnica que mejora la eficiencia en el aprendizaje de manipulación de robots mediante la recopilación de datos centrados en estados fallidos y no probados.
Resultado clave: La técnica Mulligan mejoró la tasa de éxito de la tarea final del robot del 10 por ciento al 34 por ciento en comparación con los métodos convencionales.
Por qué importa: Demuestra un avance tecnológico que ayuda a los entrenadores humanos a utilizar el tiempo y el esfuerzo de manera más eficiente al enseñar a los robots.Resumen IA

Robótica e IA física

Resumen completo Leer artículo ↗ PDF ↗

Artículo2026-10-01 · arXiv (Cornell University)

Un punto de referencia de 'búsqueda de artículos inspiradores' creado por 184 investigadores

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research

Chelsea Finn y 13 más

Qué: Creamos ScholarCatalyst, un conjunto de datos donde los primeros autores de 207 artículos recientes de informática indicaron qué artículos anteriores ayudaron realmente a su investigación, y presentamos una tarea de recuperación para encontrarlos.
Resultado clave: La búsqueda basada en agentes (IA que realiza tareas de forma iterativa por sí misma) no mostró un rendimiento superior al de los métodos de búsqueda básicos (una recuperación de 0.42 frente a 0.48 basada en los primeros 20 resultados). Los agentes basados en Claude Fable 5.1 solo alcanzaron 0.51.
Por qué importa: Esto indica que la IA actual aún carece de la intuición experta necesaria para identificar ideas previas necesarias a partir de la vasta literatura de investigación, lo que señala la necesidad de nuevos métodos de entrenamiento. Si bien esto puede verse como un paso adelante para la asistencia de la IA en la investigación científica, la comercialización real o los efectos industriales no se pueden confirmar a partir del resumen.Resumen IA

Agentes y programación IA para la ciencia

Resumen completo Leer artículo ↗ PDF ↗

Esta página recopila artículos publicados, anuncios oficiales e informaciones de prensa solo con fines informativos. Los resúmenes los redacta una IA a partir del resumen del artículo y los revisa el editor; pueden diferir del original, así que consulte el artículo para lo importante. Nada de esto es una recomendación de compra o venta ni asesoramiento de inversión. Los cambios de puesto citan anuncios oficiales o prensa relevante; parte de las trayectorias proviene de Wikidata (CC0). Los resúmenes de esta página se tradujeron con IA a partir de la versión coreana revisada por el editor.