Jeonlees

认认真真撸毛

981Följer

1,5 tnföljare

Flöde

Efter några omgångar @axisrobotics den här veckan är det tydligt att man har fokuserat på många detaljer om huruvida träningsdata faktiskt är användbar. Tidigare var det lätt att klara hela spelet efter träningen så fort man tog över. Men så är det inte; Policy Takeover är begränsat till 8 steg. Åtta steg är verkligen kort. Så om modellen inte är på väg att krascha är det bäst att inte flytta den vårdslöst. Om koppen är på väg att falla, grepparen inte greppar ordentligt, eller om banan uppenbarligen är offroad, gå in och laga den igen, och stanna när det är klart. Denna förändring är faktiskt ganska avgörande. För Axis är nu allt tydligare med att det de vill ha inte är en fullständig mänsklig demo, utan effektiv korrigering under de få sekunder av modellfel. Paus, ångra/omgöra och griparkänslighet har alla justerats denna vecka, alla med liknande mål: färre ineffektiva operationer och mer data som verkligen kan matas till modellen. Träningsresultaten har också börjat visa återkoppling. I den andra omgången av DAggers parvisa utvärdering gick genomsnittet från 68/160 till 78,3/160, med en framgångsfrekvens på cirka 42,5 % till 48,9 %. HG-DAgger-kandidaten kan vara 4~7 poäng högre än baslinjen. Omfattningen är inte särskilt dramatisk, men det visar åtminstone att dessa manuella korrigeringar inte är förgäves, och nästa omgång modeller kommer verkligen att gynnas. DreamZero har redan integrerats, så du kan fortsätta finjustera uppgifter från Axis. Det finns för närvarande en relativt praktisk fråga: Policyer som presterar bra i Python-miljöer upplever fortfarande prestandaförluster efter att ha placerats i webbläsarens WASM. Så på senare tid har uppgifter blivit mer komplexa. Rörliga objekt som lådor, skåpsluckor och köksapparater ökar, och TaskGen kommer att fortsätta generera nya scener, där layouter och utseenden ändras slumpmässigt. Enkelt uttryckt vill de inte att modellen bara ska bära ett enda kök. Å andra sidan har tröskeln för Skaparprogrammet också sänkts: Bjud in användare att slutföra 5 giltiga trajektorier → 1,05x 10 → 1,10x Men registreringen är inte det enda här. Den andra parten måste faktiskt slutföra uppgiften, klara verifieringen och skriva under för att datan ska krediteras. Så nu när jag tittar på Axis är mitt tänkande ganska klart: Låt fler verkliga människor komma in, men den data som lämnas kvar måste vara tillräckligt ren och användbar. Om det är första gången du spelar bör förträning göra dig bekant med kontrollerna; Efter träning, skynda inte att hämta modellens arbete; ta bara över om något verkligen går fel. Om det misslyckas, återställ det. Efter godkännande, kom ihåg att signera portföljen. Ingång: Hårdvarurobotar har nu något nytt varje dag. Kan Axis långsamt rätta till de där få sekunderna av manuellt fel som är utspritt i webbläsaren och bygga modellens verkligt användbara funktioner? Vi får vänta och se!!

Igår vet jag inte om alla har prenumererat på Mai Ketian Jag planerade ursprungligen att inte spela, men en hand kostade över 1 500 yuan Så jag prenumererade på några lotter kontant, och då var min prenumeration över 200 gånger Låt oss se om det finns något bus i tur Ett Jiangbo Dragon-lag som avslutas imorgon klockan nio, och Youdi Robot som avslutas dagen efter Med tanke på marknadsläget skulle jag nog inte själv gå med på det Om Jiangbo Long Om det placerades på en bra marknad skulle det definitivt vara en het aktie som alla kämpar för Men nu är prenumerationspriset bara 29,84 gånger högre Jiangbolong A-aktier stängde idag på 362,3 yuan, Det högsta H-aktieemissionen var HKD 240,6, vilket motsvarar en rabatt på cirka 43 %. Och detta år råkade sammanfalla med lagringssupercykeln. Under första halvan av 2026 kommer intäkterna att nå 24,088 miljarder yuan, en ökning med +136 % jämfört med föregående år; Nettovinsten som tilldelades aktieägarna var 10,577 miljarder yuan. Med stigande priser på DRAM och NAND har företagets tidigare lågpriserade lager direkt gynnats av denna utdelningsomgång. Så Jiangbo Long har grunder, teman och A/H-rabatter Om du spelar eller inte är upp till dig – lite över 10 000 per drag Om Youdi Robotics Den här är mer som en "robot-sentimentbiljett." Företaget är faktiskt inte en PPT-robot; det har redan sålt över 110 000 enheter, med verkliga intäkter från leverans, rengöring och RaaS, med en förväntad omsättning för 2025 på 318 miljoner yuan. Men problemet är att intäkterna under första kvartalet 2026 bara kommer att växa med 5,7 %, och företaget går fortfarande med förlust, med en bruttomarginal på endast 11,2 %. Dessutom, även om SenseTime och 58 har blivit hörnstenar den här gången, står de bara för cirka 3 %, så deras låsningsinventarium är inte särskilt starkt. Men Youdi vinner eftersom en sats är mindre än 4 000 HKD och börsintroduktionen är liten, För närvarande har marginalfinansiering redan övertecknats 39 gånger, så det finns fortfarande utrymme för kortsiktig chipkonkurrens. Men för några dagar sedan saktade Mecha Mand Robotics mörka marknad ner och bröt under emissionspriset Så nu, oavsett hur bra temat eller aktien är, när du prenumererar på denna marknad måste du vara extremt försiktig Jag valde att sluta prenumerera på dessa två aktier; jag är ganska konservativ Det exakta valet är upp till dig—kom ihåg att du gör det själv

AI-agenter kan redan skriva kod, genomföra forskning och utveckla lösningar. Fast i det blir det ekonomiskt, inte en smartare modell, utan en bana mellan två transaktioner. Vem är den andra parten, var är pengarna, arbetet är slutfört och kan resultaten användas igen nästa gång? Om dessa fyra saker inte håller är agenten bara ett verktyg, inte en oberoende agent som kan tjäna pengar. @termix_ai AACP, marknadskallad. Plattformen hanterar inte pengar, och den hanterar inte slutresultatet. Pengar finns i kontrakt, rykte skrivs på kedjan. Detta är inte samma sak som den allestädes närvarande agentkatalogen. Katalogen är skyltfönstret som visar vem som kan göra vad. AACP är spåret, ansvarigt för hur affärer blir av. Oavsett hur stor katalogen är kan det inte göras ensam—det är bara en utställning. Identitet är inte ett webbplatskonto. Agenten är mint i plånboken och är din egen on-chain-identitet. Med samma identitet kan denna order vara klienten, och nästa kan vara entreprenören. Ryktepoäng går från 1 till 100, och kontraktet skriver det under avräkningen; du kan inte fylla i en "professionell positiv recension" själv. Även om plattformen är stängd kvarstår poängen; du kan ta bort den genom att byta mot marknads-CV. För att en agent ska bli en ekonomisk enhet måste de först bli ett ämne som kan tas bort. Varje beställning har bara två platser: en betalar och den andra arbetar. I samma ögonblick som erbjudandet accepteras går USDC eller USDT in i escrow. Live off-chain och skriv leveranshashen on-chain när du skickar in. Det är hashen du lägger in, inte bara ett enkelt 'Jag är klar.' Om du inte är nöjd går tvisten vidare – ansvaret ligger hos den som blir staked. Även om du är övertid är kontraktet fortfarande slutet, utan att du behöver vänta på kundservice. Det finns fem delstater utan återvändo: publicering, offert, leverans, tvist, förlikning. Först efter att avgörandet är klart ingår det i ryktet. Avtalet tar cirka 2%. Lågt är inte en rabatt, eftersom det varken fungerar som en bank eller en domstol. Så titta på agenten. Det beror på hur många order som faktiskt avslutas och klarar utmaningen. I slutet av augusti släppte det officiella pressmeddelandet en verifierbar on-chain-ögonblicksbild: cirka 370 000 agenter, 220 000 jobb och över 12 miljoner USD i transaktioner. Siffrorna kommer att förändras, riktningen kommer att vara tydlig—med början i vårdnad och utlåning, inte bara berättelser. Det minsta nästa steget är att inte skriva airdrops. Slå en .agent, öppna en avslutad order och se hur dina pengar går från escrow till utbetalning. Endast för personlig marknadsobservation, DYOR.

Axis @axisrobotics släppte precis de senaste uppgifterna idag: 3,7M+ banor 42 000+ timmar data 4 000+ aktiva uppgifter 150 000+ bidragsgivare Varför behöver robotar så mycket data? För att LLM:er kan genomsöka internet för att lära sig texter, men robotar måste lära sig "hur man gör det." Hur man tar tag, hur man placerar den, hur man fixar sneda lådor, vad man ska göra om en låda fastnar halvvägs genom dragningen. Dessa rörelsedata finns inte online, riktiga enhetsdata är dyra och långsamma, och att ersätta robotarmen med gammal data kanske inte går att återanvända direkt. Det är precis det Axis fastnar på. Den definierar sig själv som en Compounding Data Engine för fysisk AI. Vanliga människor behöver inte köpa en robotarm; de kan fjärrstyra den simulerade roboten direkt i webbläsaren. Det du skickar in är inte en skärminspelning, utan en fullständig bana: hur roboten rör sig, hur objektet förändras, om uppgiften slutligen lyckas. Först efter replayvalidering går datan in i träningsprocessen. Jag tycker att den verkligt värdefulla delen faktiskt är Axis V2. Det handlar inte om att "mänsklig datainsamling → modellträning → klar", utan snarare att modellen ska göra det först, där människor bara tar över och korrigerar när den är på väg att missa, fastna eller avvika. Modellfel → mänskliga korrigeringar → omträning→ vilket avslöjar nya fel. Det här är mer som ett riktigt datahjul. Dataset V1 har för närvarande 207 manipulationsuppgifter, 50 00+ mänskliga demonstrationsbanor och täcker 60 00+ uppgifts-/scenvarianter. Efter ytterligare förträning med dessa data på π0,5 ökade LIBERO-Plus-framgångsgraden från 83,9 % till 88,8 %. Minst en sak att förtydliga: Crowdsourcade data är inte nödvändigtvis naturligt av låg kvalitet; nyckeln ligger i om den kan verifieras, rensas och sedan täckas tillräckligt många scenarier. Axis slutförde tidigare ett startskott på 12 miljoner dollar finansierat av Hack VC och har redan levererat Task Packages till modellpartners. Så nu, när jag tittar på Axis, bryr jag mig egentligen inte om "hur många fler spår som har lagts till." Jag bryr mig mer om tre saker: Om dessa data kontinuerligt kan förbättra modellen; Om olika robotar kan återanvändas; När modellen blir starkare, kan kostnaden för manuell felkorrigering fortsätta att minska? Om dessa tre frågor stämmer är Axis inte bara en "webbaserad robotarm"-uppgiftsplattform, utan kan verkligen vara datalagret i roboteran. Naturligtvis är riskerna också direkta: Simulering ≠ verkliga världen, crowdsourcade data kommer oundvikligen att innehålla brus. Så Axis verkliga hinder är inte antalet deltagare, utan om de kan omvandla ett stort antal ojämna mänskliga operationer till data som modellen faktiskt kan äta upp. Den hetaste delen av roboten just nu är kroppen. Det Axis vill tillägga är: var ska dessa kroppar lära sig att arbeta i framtiden? Ingång: Du kan spela så länge du har en dator, hämta något själv, och det är förmodligen lättare att förstå detta spår än att läsa tio forskningsrapporter om fysisk AI. @axisrobotics

Efter att ha följt Hu Chuliangs exempel och skapat en AI-arbetsbänk behöver jag äntligen inte längre rigid granska och välja aktier själv Hu Chuliang AI Workbench, som har varit trendigt online på sistone, förstår verkligen vanliga människor. Vem hade kunnat tro det? Hon var ursprungligen bara en mode- och skönhetsbloggare som avslappnat lade upp en daglig video där hon använde AI för att bygga sin personliga arbetsplats, vilket omedelbart fick miljontals likes och hela internet följde efter och skickade in uppgifter. Inga flashiga färdigheter, ingen professionell kod—det är den mest autentiska dagliga rutinen för vanliga människor, vilket är den grundläggande anledningen till att den verkligen har brutit sig ur sin nisch. Många följer bara trenden och kopierar bara flashiga gränssnitt, och missar helt essensen. Hu Chuliangs egen metod är särskilt enkel: inga komplicerade miljöer, inget behov av att skriva kod, och alla dagliga sysslor och repetitiva uppgifter överlåter AI till honom. Ämnesgranskning, schemaläggning, innehållsorganisering – allt hanteras av AI, medan AI:n enbart fokuserade på kärnskapande. Jag förstår detta djupt. Jag har själv arbetat med en AI-arbetsbänk för aktieurval, och smärtpunkterna är helt sammankopplade. Tidigare var det verkligen utmattande att granska, välja aktier och organisera marknadsdata. Dagligen massiv marknadsdata, en hög med forsknings-PDF:er och spridda branschnyheter—filtrera, verifiera och sammanfatta allt manuellt. Tidskrävande, tråkigt och rent repetitivt fysiskt arbete är en nödvändighet för att byta recensioner—omöjligt att undvika. Det är också därför jag blev praktisk med Tencent WorkBuddy och fullt ut förstod logiken bakom Hu Chuliangs explosiva popularitet: verkligt användbar AI är aldrig ett verktyg, utan en dedikerad ny kollega som gör sysslorna åt dig. De flesta AI på marknaden är fortfarande fast i "svara på en fråga"-stadiet. Om du frågar om marknadsdata, indikatorer eller recensionsidéer kommer det bara att ge en massa teoretiska mallar. I slutändan måste du vara uppe sent för att organisera data, sammanfatta innehåll och strukturera din recension. För att uttrycka det rakt på sak är det bara ett annat sätt att arbeta övertid, exakt samma som den "ineffektiva AI-användning" som Hu Chuliang övergav. Men WorkBuddy är ett helt annat arbetsläge: inget behov av detaljerad kommandojustering, steg-för-steg-vägledning eller manuell avslutning. Min nuvarande aktieurvalsgranskning är väldigt avslappnad: Jag packade direkt in de dagliga marknadsdatatabellerna, branschforskningsrapporter, sektorsnyheter och utspridda handelsanteckningar i paketet och berättade om mina behov – batchsortering av effektiv information, rensning av redundant data, organisering av aktievalslogik och produktion av en strukturerad sammanfattning av dagens recension. Alla återstående tråkiga steg hanteras helt av företaget. Läser automatiskt flera dokument i detalj, filtrerar giltig marknadsinformation, filtrerar bort ineffektivt brus, organiserar datadimensioner och organiserar en tydlig ram för granskning av aktieval. Jag behöver inte ingripa under hela processen; den slutgiltiga leveransen är färdiga granskningsdokument, sammanfattningar av lagervalsdata och strukturerade analysresultat. Jag brukade tro att dessa detaljerade sysslor och dataorganiseringsuppgifter bara kunde göras av mig själv, och att bara chefen hade en dedikerad assistent. Nu ska vi ta reda på det ordentligt: år 2026 bör alla ha sin egen AI-assistent. Oavsett om det gäller kontorssysslor, organisering av material, lagerplockning, granskning eller dataforskning, kan de mest tidskrävande, irriterande och minst tillväxtfattiga mekaniska uppgifterna alla delegeras direkt till WorkBuddy. Den specialiserar sig på alla möjliga tråkiga jobb som människor inte vill göra. Inget mer slöseri av din tid på repetitiva uppgifter, att lämna över triviala uppgifter till nya AI-kollegor och att fokusera enbart på kärnomdöme och djupt tänkande räcker. Detta är den ultimata sanningen bakom Hu Chuliangs popularisering av AI-arbetsbänken: hon har ridit alla vågor av korta videor, e-handel och AI, och förstår vanliga människors grundläggande behov bäst – AI är inte bara för nöjes skull eller gimmicks, utan för att hjälpa människor att lätta sina bördor och befria sig själva. Ingen anledning att bli en stor; vanliga människor kan lita på AI för att skaka av sig meningslös sysselsättning. Träffa din nya lagkamrat — WorkBuddy @TencentAI_News Lämna det arbete du inte vill göra till det, och behåll din kärnenergi för dig själv. #WorkBuddy #MeetYourNewTeammate #LetWorkBuddyDoIt #AIAtWork #WorkSmarter #Productivity #AI选股 #AI工作台 #胡楚靓AI工作台