推文

@fireandstart · 2026-10-12 04:11

这条介绍里最值得继续追问的，是“35 ms / image”如何落到机器人任务闭环里。d1-3B 与 d1-omni-600M 支持从图像做决策，较小模型还在实验性支持音频；如果把这类模型放到设备端，它可能承担高频、局部的状态检查，让云端或更大模型不必处理每一帧，再把较长程规划和运动控制交给各自擅长的模块。这样的分工很有吸引力，尤其是网络不稳定、隐私敏感或响应时间紧的场景。 但单帧推理延迟只是系统的一段：相机采集、预处理、总线传输、动作控制和下一次观测都会进入端到端时延。真正的指标还应包括连续场景下的判断稳定性、漏检与误报、置信度校准、无法判断时是否会停下交给安全层，以及不同光照、遮挡和运动模糊下的表现。开放权重和面向目标硬件训练降低了试验门槛，也让开发者能在自己的设备上验证取舍；我更期待看到完整任务中的延迟分布、能耗、失败案例和安全边界。Physical AI 的进步，最后要看模型能否在真实反馈里稳定地做对事，而不只是在演示里迅速给出答案。

曝光 150 · 评论 1 · 点赞 1 · 书签 0 · 曝光/时 55.82865798169859