推文

@jeonleetogether · 2026-10-08 23:22

怎么都说要@axisrobotics 要tge了， 但是我看kaito上面活动不是有3期吗 活动结束至少都11月17了 不过该绑信息的还是得赶紧去哦 还没做任务的速速加班做起来 用谷歌登录的，一开始绑定可能会出现不显示 再次刷新等待就好了 其他问题，我看dc群里大家也很积极解决 大家早点儿去检查一下哦 期待axis的惊喜！！！！ 最近axis的好消息也蛮多的 >>>>>>10 月 8 日，Axis 拿下了一条值得关注的汽车制造合作：Lotus Cars 和吉利。 我觉得这次进展比 Hub 又新增几十万条轨迹重要得多，因为 Axis 终于开始把过去积累的数据能力，往真实工业场景里推了。 先说合作具体做什么。 汽车产线上的零件分拣，看着简单，实际很麻烦。几百种零件，形状、尺寸、抓取位置都不同，传统方案往往需要逐个编写规则、调试动作。换一批零件，又得重新折腾。 Axis 这次提出的方案，是先复刻真实产线的仿真环境，再利用 Axis Suite 生成任务、训练机器人策略，最后部署到实体生产线。 目标是一套策略覆盖 500–800 种汽车零件。 注意，这还是合作要实现的目标，不能直接当成已经落地的成绩。但如果后续验证成功，对工业机器人来说确实很有价值。 因为很多机器人公司真正头疼的，已经不只是模型够不够聪明，而是训练数据从哪里来、成本怎么降，以及换个场景以后能不能继续用。 这正好对应 Axis 一直在做的 Compounding Data Engine。 过去几个月，我一直在关注它的数据增长。Hub 上已经积累约 683 万条操作轨迹、22 万用户，支持的机器人也从 Franka 扩展到了 OpenArm、ARX 等更多本体。 但我认为，683 万条轨迹本身并不能证明 Axis 成功。真正重要的是，这些轨迹能让模型进步多少。 Axis 公开的 Sim Dataset V1 包含 207 个操作任务、超过 5 万条人类演示。在 LIBERO-Plus 测试中，利用这些数据持续预训练 π0.5，模型成功率从 83.9% 提高到了 88.8%。 这个结果至少证明了一件事：通过社区采集、筛选后的仿真数据，确实有机会改善机器人模型的表现。 而且 Axis 的数据逻辑还有后半段。 用户在浏览器里遥操作机械臂，轨迹经过验证并在 Base 链上签名，进入训练流程。模型训练以后，再根据失败案例和薄弱任务决定下一轮需要什么数据。 采集、训练、纠错、再采集。 如果这套循环能持续跑起来，Axis 就不必每次遇到新场景，都从零开始积累数据。数据越丰富，后续训练可能越有效率。 当然，从 LIBERO-Plus 的测试成绩到真实汽车产线，中间还有很长一段路。仿真里的成功率能不能迁移到实体机器人？面对几百种零件，抓取准确率和运行稳定性又能做到多少？ 这些问题，才是 Lotus / 吉利这次合作真正需要回答的。 >>>>>>再说 Kaito Axis 的 Epoch 2 持续到 10 月 18 日，每轮最多提交 10 条，取表现最好的 6 条计分。评分采用 Mindshare × Referral Multiplier，邀请来的用户必须实际完成任务并进行链上签名，单纯注册不会增加有效轨迹贡献。 整个活动分配 0.25% 的 $AXIS，前 100 名分 0.10%，101–500 名分 0.10%，KAITO 质押者分 0.05%，按全部 Epoch 的最终排名结算。参与的朋友还要留意 10 月 10 日前绑定 Discord 和 X 的要求。 我现在最想继续跟踪的，其实就是这次汽车工厂合作的实际结果。 Axis 已经有了数百万条轨迹，也做出了能够提升模型成功率的数据集。接下来如果能在真实产线上交出成绩，它的数据引擎才算真正跨过了从研究验证到商业应用的重要一步。 @axisrobotics DYOR.

曝光 513 · 评论 40 · 点赞 34 · 书签 1 · 曝光/时 73.238687405202