Chelsea Finn

Physical Intelligence va Dai hoc Stanford

Lý do theo dõi: Mo hinh nen tang robot

Biến động nhân sự

Chưa có biến động nhân sự.

Bài báo

Bài báo2026-10-29 · arXiv (Cornell University)

Công nghệ huấn luyện chung dữ liệu robot sử dụng nhiều bộ điều khiển khác nhau

Cross-Controller Transfer via In-Context Behavior Adaptation

Chelsea Finn và 2 người khác

Nội dung: Đã phát triển công nghệ tận dụng dữ liệu từ các robot sử dụng các phương thức điều khiển khác nhau để học tập mà không xảy ra xung đột.
Kết quả chính: Tỷ lệ thành công trung bình cải thiện 33 điểm phần trăm so với các phương pháp thông thường.
Ý nghĩa: Cho thấy tiềm năng tận dụng hiệu quả hơn dữ liệu robot được thu thập từ các môi trường đa dạng.Tóm tắt AI

Robot & AI vật lý

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-10-05 · arXiv (Cornell University)

Phương pháp thu thập dữ liệu hướng dẫn bằng hiệu suất nhằm nâng cao hiệu quả học tập của robot

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

Chelsea Finn và 6 người khác

Nội dung: Các nhà nghiên cứu đã đề xuất Mulligan, một kỹ thuật nâng cao hiệu quả trong quá trình học thao tác của robot bằng cách thu thập dữ liệu tập trung vào các trạng thái thất bại và chưa được thử nghiệm.
Kết quả chính: Kỹ thuật Mulligan đã cải thiện tỷ lệ thành công trong tác vụ cuối cùng của robot từ 10 phần trăm lên 34 phần trăm so với các phương pháp thông thường.
Ý nghĩa: Điều này cho thấy một bước tiến công nghệ giúp con người sử dụng thời gian và nỗ lực hiệu quả hơn khi dạy robot.Tóm tắt AI

Robot & AI vật lý

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-10-01 · arXiv (Cornell University)

Bộ chuẩn đánh giá 'tìm kiếm bài báo truyền cảm hứng' do 184 nhà nghiên cứu tạo ra

ScholarCatalyst: A Benchmark for Retrieving Papers That Inspire New Research

Chelsea Finn và 13 người khác

Nội dung: Chúng tôi đã tạo ra ScholarCatalyst, một tập dữ liệu trong đó các tác giả chính của 207 bài báo khoa học máy tính gần đây đã chỉ ra những bài báo trước đó thực sự giúp ích cho nghiên cứu của họ, đồng thời đưa ra một nhiệm vụ truy xuất để tìm ra chúng.
Kết quả chính: Tìm kiếm theo tác tử (AI tự lặp lại các tác vụ để thực hiện nhiệm vụ) không cho thấy hiệu suất tốt hơn các phương pháp tìm kiếm cơ bản (độ thu hồi 0,42 so với 0,48 dựa trên 20 kết quả hàng đầu). Các tác tử dựa trên Claude Fable 5.1 chỉ đạt 0,51.
Ý nghĩa: Điều này cho thấy AI hiện tại vẫn thiếu trực giác chuyên môn cần thiết để nhận ra các ý tưởng tiền đề cần thiết từ lượng tài liệu nghiên cứu khổng lồ, chỉ ra nhu cầu về các phương pháp huấn luyện mới. Mặc dù điều này có thể được xem là một bước tiến cho AI hỗ trợ nghiên cứu khoa học, nhưng hiệu quả thương mại hóa thực tế hoặc tác động công nghiệp không thể được xác nhận từ phần tóm tắt.Tóm tắt AI

Agent & lập trình AI cho khoa học

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Trang này tổng hợp các bài báo đã công bố, thông báo chính thức và tin báo chí chỉ nhằm mục đích cung cấp thông tin. Tóm tắt do AI viết dựa trên phần tóm tắt của bài báo và được biên tập viên kiểm tra; có thể khác bản gốc, vì vậy hãy kiểm tra bản gốc cho các nội dung quan trọng. Đây không phải khuyến nghị mua bán chứng khoán hay tư vấn đầu tư. Biến động nhân sự ghi nguồn từ thông báo chính thức hoặc báo chí lớn; một phần lý lịch tham khảo Wikidata (CC0). Các bản tóm tắt trên trang này được AI dịch từ bản tiếng Hàn đã được biên tập viên kiểm tra.