HY-Embodied
腾讯中国
腾讯 Robotics X 与混元团队发布的具身基础模型系列。HY-Embodied-0.5(MoT-2B)面向端侧部署;Hy-Embodied-VLM-1.0 是基于 Hy3-A…
Cosmos Reason
NVIDIA美国
NVIDIA 面向物理 AI 与机器人的推理视觉语言模型,输入图像或视频与文本,用长链式思维输出对空间、时间和物理常识的理解,可作为规划模型推断具身智能体的下一步动作,也可用于判断…
RoboBrain
北京智源人工智能研究院中国
北京智源人工智能研究院发布的具身大脑模型系列,输入图像或视频与语言指令,输出任务规划、可供性区域、空间指点和操作轨迹,把抽象指令拆成机器人可执行的步骤。1.0 版基于 ShareR…
LingBot-Depth
蚂蚁灵波中国
蚂蚁灵波面向机器人的 RGB-D 空间感知模型,用掩码深度建模做自监督训练,把深度相机输出的残缺、带噪深度补全为度量尺度准确的深度图和点云。输入 RGB 图像、原始深度和相机内参,…
RynnBrain
阿里巴巴达摩院中国
阿里巴巴达摩院发布的具身基础模型系列,采用统一的仅解码器视觉语言架构,输入第一视角图像或视频与语言指令,输出文本、目标框、指点序列、轨迹、3D 框和接触点,覆盖空间理解、物体定位、…
ReKep
Stanford University、Columbia University美国
斯坦福大学与哥伦比亚大学提出的机器人操作方法:用大视觉模型提取场景关键点,由视觉语言模型(如 GPT-4o)把任务写成关键点之间的时空约束,再用分层优化实时求解末端轨迹,形成能应对…
VoxPoser
Stanford University、University of Illinois Urbana-Champaign美国
斯坦福大学提出的零样本机器人操作方法:大语言模型生成代码、调用视觉语言模型,把自然语言指令组合成三维体素空间中的可供性与约束价值图,再由运动规划器据此合成末端轨迹,不需要任务训练数…
VLAC
上海人工智能实验室中国
上海人工智能实验室发布的视觉-语言-动作-评价模型,用于真机强化学习和数据筛选。输入任务描述与图像,成对比较状态变化,输出稠密任务进度、完成判断和奖励信号,也能输出动作;可零样本或…
Robo-Dopamine
北京智源人工智能研究院中国
北京智源人工智能研究院发布的机器人操作通用过程奖励模型(GRM)。模型以任务描述和多视角的初始、目标及前后状态图像为输入,预测任务进度的前进或倒退,再融合增量、前向、后向三种预测得…
