Technologie-Peripheriegeräte
KI
Beseitigen Sie den „Clickbait', ein weiteres Open-Source-Meisterwerk des Tsinghua-Teams!
Beseitigen Sie den „Clickbait', ein weiteres Open-Source-Meisterwerk des Tsinghua-Teams!
Als jemand, der Probleme mit der Namensgebung hat, ist es für mich beim Schreiben von Aufsätzen in der High School am schwierigsten, dass ich gute Artikel schreiben kann, aber nicht weiß, wie der Titel lautet. Nachdem ich angefangen habe, einen öffentlichen Account zu erstellen, habe ich viel verloren jedes Mal, wenn ich an einen Titel dachte...
Kürzlich habe ich endlich das Licht der „Namensverschwendung“ auf GitHub entdeckt, einer großen modellhaften interessanten Anwendung, die von der Tsinghua-Universität und der OpenBMB-Open-Source-Community ins Leben gerufen wurde: „Title Capture“. ". Geben Sie den Textinhalt ein, um mit einem Klick ein aktuelles Thema zu generieren. Titel!
Sofort einsatzbereit Nach dem Ausprobieren kann ich nur sagen: Es riecht großartig!
Online-Erlebnis: https://live.openbmb.org/ant
GitHub: https://github.com/OpenBMB/CPM-Live
erwähnt für Bei diesem Artefakt, das Schlagzeilen macht, müssen wir zunächst über seinen „Körper“ sprechen – das große Modell CPM-Ant.
CPM-Ant ist das erste Zehn-Milliarden-Modell, das in China live trainiert wurde. Das Training dauerte 68 Tage und wurde am 5. August 2022 abgeschlossen und offiziell von OpenBMB veröffentlicht!
- Fünf herausragende Merkmale
- Vier große innovative Durchbrüche
- Der Trainingsprozess ist kostengünstig und umweltfreundlich!
- Das Wichtigste ist – komplett Open Source!
Als erstes Live-Übertragungstraining chinesischer Großmodelle bietet CPM-Ant eine praktikable praktische Lösung für das Training, die Feinabstimmung, die Komprimierung, das Denken, die Anwendung usw. großer Modelle. Wir hoffen, verschiedenen Followern etwas anderes bieten zu können Hilfe und Referenzen.
Werfen wir nun einen Blick auf den Inhaltsbericht zu den Ergebnissen der CPM-Ant-Veröffentlichung!
Modellübersicht
CPM-Ant ist ein vorab trainiertes Open-Source-Sprachmodell für Chinesisch mit 10B-Parametern. Es ist auch der erste Meilenstein im CPM-Live-Live-Trainingsprozess.
Der gesamte Trainingsprozess ist kostengünstig und umweltfreundlich. Er erfordert keine hohen Hardwareanforderungen und Betriebskosten. Er basiert auf der Delta-Tuning-Methode und hat im CUGE-Benchmark-Test hervorragende Ergebnisse erzielt.
CPM-Ant-bezogener Code, Protokolldateien und Modellparameter sind vollständig Open Source und unterliegen einer offenen Lizenzvereinbarung. Zusätzlich zum Vollmodell bietet OpenBMB auch verschiedene komprimierte Versionen für unterschiedliche Hardwarekonfigurationen.
Die fünf herausragenden Funktionen von CPM-Ant:
(1) Recheneffizienz
Durch das BMTrain[1]-Toolkit kann es die Fähigkeit verteilter Rechenressourcen voll ausnutzen, große Mengen effizient zu trainieren Modelle.
Die Schulung von CPM-Ant dauerte 68 Tage und kostete 430.000 Yuan, was einem Zwanzigstel der etwa 1,3 Millionen US-Dollar entspricht, die für die Schulung des T5-11B-Modells durch Google anfallen. Die Treibhausgasemissionen des CPM-Ant-Trainings betragen etwa 4872 kg CO₂e, während die Emissionen des T5-11B-Trainings 46,7 t CO₂e betragen[9]. Die CPM-Ant-Lösung beträgt etwa 1/10 ihrer Emissionen.
(2) Hervorragende Leistung
Mit dem OpenDelta[3]-Tool ist es sehr bequem, CPM-Ant durch inkrementelle Feinabstimmung an nachgelagerte Aufgaben anzupassen.
Experimente zeigen, dass CPM-Ant die besten Ergebnisse bei 3/6 CUGE-Aufgaben erzielt, indem nur 6,3 Millionen Parameter feinabgestimmt werden. Dieses Ergebnis übertrifft andere vollständig auf Parameter abgestimmte Modelle. Beispielsweise beträgt die Anzahl der fein abgestimmten Parameter von CPM-Ant nur 0,06 % von CPM2 (fein abgestimmte 11B-Parameter).
(3) Bereitstellungsökonomie
Mit Hilfe der Toolkits BMCook[7] und BMInf[4] kann CPM-Ant mit begrenzten Rechenressourcen betrieben werden.
Basierend auf BMInf kann es den Rechencluster ersetzen und große Modellinferenzen auf einer einzelnen GPU (sogar einer Consumer-Grafikkarte wie der GTX 1060) durchführen. Um den Einsatz von CPM-Ant wirtschaftlicher zu gestalten, verwendet OpenBMB BMCook, um das ursprüngliche 10B-Modell weiter in verschiedene Versionen zu komprimieren. Das komprimierte Modell (7B, 3B, 1B, 300M) kann sich an die Anforderungen verschiedener Szenarien mit geringen Ressourcen anpassen.
(4) Einfach zu verwenden
Ob es sich um das ursprüngliche 10B-Modell oder die zugehörige komprimierte Version handelt, es kann mit ein paar Zeilen Code einfach geladen und ausgeführt werden.
OpenBMB wird auch CPM-Ant zu ModelCenter[8] hinzufügen, was die weitere Entwicklung des Modells erleichtert.
(5) Offene Demokratie
Der Trainingsprozess von CPM-Ant ist völlig offen.
OpenBMB veröffentlicht alle Codes, Protokolldateien und Modellarchive als Open Access. CPM-Ant übernimmt außerdem eine offene Lizenz, die eine Kommerzialisierung ermöglicht.
Eine vollständige Trainingspraxis für große Modelle
Für Hersteller und Forschungseinrichtungen, die in der Lage sind, große Modelle zu trainieren, bietet der CPM-Ant-Trainingsprozess eine vollständige, tatsächliche Aufzeichnung der chinesischen Schulung großer Modelle.
OpenBMB hat das Modelldesign, das Trainingsschema, die Datenanforderungen und den Implementierungscode der CPM-Live-Modellreihe veröffentlicht. Basierend auf der Modellarchitektur von CPM-Live ist es möglich, schnell und einfach große Modelltrainingslösungen zu entwerfen und zu implementieren sowie relevante Geschäftsdaten zu organisieren, um die Modellvorforschung und Datenvorbereitung abzuschließen.
Die offizielle Website zeichnet alle Trainingsdynamiken während des Trainingsprozesses auf, einschließlich Verlustfunktion, Lernrate, gelernte Daten, Durchsatz, Gradientengröße, Kostenkurve und Echtzeitanzeige des Mittelwerts und der Standardabweichung der internen Parameter von Durch diese Trainingsdynamik können Benutzer schnell diagnostizieren, ob es Probleme im Modelltrainingsprozess gibt.
Echtzeitanzeige der internen Parameter des Modelltrainings
Darüber hinaus aktualisieren die F&E-Studenten von OpenBMB die Trainingsaufzeichnungszusammenfassung jeden Tag in Echtzeit. Die Zusammenfassung enthält Verlustwert und Gradientenwert , den Gesamtfortschritt und zeichnet auch Begegnungen auf. Einige während des Trainingsprozesses aufgetretene Probleme und Fehler helfen Benutzern, die verschiedenen „Gruben“ zu verstehen, die während des Modelltrainings auftreten können.
An Tagen, an denen das Modelltraining „ruhig“ ist, wirft der F&E-Mitarbeiter auch einige berühmte Zitate heraus, stellt einige neueste Veröffentlichungen vor und startet sogar eine Rateaktivität.
Eine Rateaktivität im Protokoll
Darüber hinaus bietet OpenBMB durch entsprechende Trainingsbeschleunigungstechnologie auch kostengünstige Schulungslösungen auf ein akzeptables Maß reduziert.
Mit dem BMTrain[1]-Toolkit kostet die Rechenleistung von zig Milliarden großen CPM-Ant-Trainingsmodellen nur 430.000 Yuan (die aktuellen Kosten werden anhand der öffentlichen Cloud-Preise berechnet, die tatsächlichen Kosten werden niedriger sein), Das ist 11B großes Modell T5 extern. Ungefähr 1/20 der geschätzten Kosten von 1,3 Millionen US-Dollar!
Eine effiziente Feinabstimmungslösung, die SOTA immer wieder geschaffen hat
Wie kann CPM-Ant uns bei der nachgelagerten Aufgabenanpassung helfen?
Für große Modellforscher bietet OpenBMB eine Lösung zur Bewertung der Leistung großer Modelle, die auf einer effizienten Feinabstimmung der Parameter basiert und eine schnelle nachgelagerte Aufgabenanpassung und Bewertung der Modellleistung ermöglicht.
Verwenden Sie eine Parameter-effiziente Feinabstimmung, bekannt als Delta-Tuning, um die Leistung von CPM-Ant bei sechs Downstream-Aufgaben zu bewerten. Im Experiment wurde LoRA [2] verwendet, das in jede Aufmerksamkeitsschicht zwei anpassbare Low-Rank-Matrizen einfügt und alle Parameter des Originalmodells einfriert. Mit diesem Ansatz wurden nur 6,3 Millionen Parameter pro Aufgabe feinabgestimmt, was nur 0,067 % der Gesamtparameter ausmacht.
Mit Hilfe von OpenDelta[3] führte OpenBMB alle Experimente durch, ohne den Code des Originalmodells zu ändern. Es ist zu beachten, dass bei der Bewertung des CPM-Ant-Modells für nachgelagerte Aufgaben keine Methoden zur Datenerweiterung verwendet wurden. Die experimentellen Ergebnisse sind in der folgenden Tabelle dargestellt:
Es ist ersichtlich, dass die Leistung des OpenBMB-Modells mit nur der Feinabstimmung einiger Parameter CPM-2 und Quelle 1.0 bei drei Datensätzen übertroffen hat.
Einige Aufgaben (z. B. LCSTS) können schwierig zu erlernen sein, wenn nur sehr wenige fein abgestimmte Parameter vorhanden sind. Der Trainingsprozess von CPM-Live wird fortgesetzt und die Leistung bei jeder Aufgabe wird weiter verbessert.
Interessierte Studenten können den GitHub-Link unten besuchen, um CPM-Ant und OpenDelta zunächst kennenzulernen und die Fähigkeiten von CPM-Ant bei anderen Aufgaben weiter zu erkunden!
https://github.com/OpenBMB/CPM-Live
Eine Reihe hardwarefreundlicher Inferenzmethoden
Die Leistung großer Modelle ist erstaunlich, aber hohe Hardwareanforderungen und laufende Kosten sind die Folge war schon immer ein Problem für viele Benutzer. Für Benutzer großer Modelle bietet OpenBMB eine Reihe hardwarefreundlicher Nutzungsmethoden, mit denen verschiedene Modellversionen in unterschiedlichen Hardwareumgebungen einfacher ausgeführt werden können.
Mit dem BMInf[4]-Toolkit kann CPM-Ant in einer Umgebung mit geringen Ressourcen wie einer Einzelkarte 1060 ausgeführt werden!
Darüber hinaus komprimiert OpenBMB auch CPM-Ant. Zu diesen komprimierten Modellen gehört CPM-Ant-7B/3B/1B/0.3B. Alle diese Modellkomprimierungsgrößen können den klassischen Größen bestehender vorab trainierter Open-Source-Sprachmodelle entsprechen.
Angesichts der Tatsache, dass Benutzer möglicherweise weitere Entwicklungen an freigegebenen Prüfpunkten durchführen, verwendet OpenBMB hauptsächlich aufgabenunabhängiges strukturiertes Bereinigen, um CPM-Ant zu komprimieren. Der Beschneidungsprozess erfolgt ebenfalls schrittweise, d. h. von 10B auf 7B, von 7B auf 3B, von 3B auf 1B und schließlich von 1B auf 0,3B.
Im spezifischen Bereinigungsprozess trainiert OpenBMB eine dynamische lernbare Maskenmatrix und verwendet diese Maskenmatrix dann zum Beschneiden der entsprechenden Parameter. Abschließend werden die Parameter entsprechend dem Schwellenwert der Maskenmatrix beschnitten, der auf der Grundlage der Zielsparsity bestimmt wird. Weitere Komprimierungsdetails finden Sie im technischen Blog [5].
Die folgende Tabelle zeigt die Ergebnisse der Modellkomprimierung:
Wie kann uns das große Modell helfen, „den Titel zu bekommen“, nachdem der Hardcore-Inhalt vorbei ist?
Eine unerwartete Spaßanwendung für große Modelle
Basierend auf CPM-Ant können alle Entwickler und Enthusiasten großer Modelle interessante und interessante Textanwendungen entwickeln.
Um die Wirksamkeit des Modells weiter zu überprüfen und Beispiele bereitzustellen, hat OpenBMB einen auf CPM-Ant basierenden Hot-Title-Generator verfeinert, um die Modellfunktionen zu demonstrieren.
Sie müssen nur den Textinhalt in das Textfeld unten einfügen, klicken, um ihn zu generieren, und schon erhalten Sie den aufregenden Titel des großen Modells!
Der Titel des ersten Artikels des CPM-Ant-Ergebnisberichts wird vom Generator generiert
Diese Demo wird kontinuierlich verbessert und in Zukunft werden weitere Spezialeffekte hinzugefügt, um das Benutzererlebnis zu verbessern
Interessierte Benutzer können CPM-Ant auch verwenden, um ihre eigenen Anzeigeanwendungen zu erstellen. Wenn Sie Anwendungsideen haben, technische Unterstützung benötigen oder bei der Nutzung der Demo auf Probleme stoßen, können Sie jederzeit eine Diskussion im CPM-Live-Forum [6] starten!
Die Veröffentlichung von CPM-Ant ist der erste Meilenstein von CPM-Live, aber es ist nur die erste Phase der Schulung. OpenBMB wird auch in Zukunft eine Reihe von Schulungen durchführen.
Ein kurzer Spoiler, in der nächsten Schulungssitzung werden neue Funktionen wie Mehrsprachenunterstützung, strukturierte Ein- und Ausgabe usw. hinzugefügt. Herzlich willkommen, weiterhin aufmerksam zu sein!
Portal｜Projektlink
Projekt-GitHub-Adresse:
https://github.com/OpenBMB/CPM-Live
Demo-Erlebnisadresse (nur PC-Zugriff):
https: //live.openbmb.org/ant
Das obige ist der detaillierte Inhalt vonBeseitigen Sie den „Clickbait', ein weiteres Open-Source-Meisterwerk des Tsinghua-Teams!. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
Heiße KI -Werkzeuge
Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos
AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.
Undress AI Tool
Ausziehbilder kostenlos
Clothoff.io
KI-Kleiderentferner
AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.
Heißer Artikel
Heiße Werkzeuge
Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor
SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen
Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung
Dreamweaver CS6
Visuelle Webentwicklungstools
SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)
Heiße Themen
1378
52
Das weltweit leistungsstärkste Open-Source-MoE-Modell ist da, mit chinesischen Fähigkeiten, die mit GPT-4 vergleichbar sind, und der Preis beträgt nur fast ein Prozent von GPT-4-Turbo
May 07, 2024 pm 04:13 PM
Stellen Sie sich ein Modell der künstlichen Intelligenz vor, das nicht nur die Fähigkeit besitzt, die traditionelle Datenverarbeitung zu übertreffen, sondern auch eine effizientere Leistung zu geringeren Kosten erzielt. Dies ist keine Science-Fiction, DeepSeek-V2[1], das weltweit leistungsstärkste Open-Source-MoE-Modell, ist da. DeepSeek-V2 ist ein leistungsstarkes MoE-Sprachmodell (Mix of Experts) mit den Merkmalen eines wirtschaftlichen Trainings und einer effizienten Inferenz. Es besteht aus 236B Parametern, von denen 21B zur Aktivierung jedes Markers verwendet werden. Im Vergleich zu DeepSeek67B bietet DeepSeek-V2 eine stärkere Leistung, spart gleichzeitig 42,5 % der Trainingskosten, reduziert den KV-Cache um 93,3 % und erhöht den maximalen Generierungsdurchsatz auf das 5,76-fache. DeepSeek ist ein Unternehmen, das sich mit allgemeiner künstlicher Intelligenz beschäftigt
KI untergräbt die mathematische Forschung! Der Gewinner der Fields-Medaille und der chinesisch-amerikanische Mathematiker führten 11 hochrangige Arbeiten an | Gefällt mir bei Terence Tao
Apr 09, 2024 am 11:52 AM
KI verändert tatsächlich die Mathematik. Vor kurzem hat Tao Zhexuan, der diesem Thema große Aufmerksamkeit gewidmet hat, die neueste Ausgabe des „Bulletin of the American Mathematical Society“ (Bulletin der American Mathematical Society) weitergeleitet. Zum Thema „Werden Maschinen die Mathematik verändern?“ äußerten viele Mathematiker ihre Meinung. Der gesamte Prozess war voller Funken, knallhart und aufregend. Der Autor verfügt über eine starke Besetzung, darunter der Fields-Medaillengewinner Akshay Venkatesh, der chinesische Mathematiker Zheng Lejun, der NYU-Informatiker Ernest Davis und viele andere bekannte Wissenschaftler der Branche. Die Welt der KI hat sich dramatisch verändert. Viele dieser Artikel wurden vor einem Jahr eingereicht.
KAN, das MLP ersetzt, wurde durch Open-Source-Projekte auf Faltung erweitert
Jun 01, 2024 pm 10:03 PM
Anfang dieses Monats schlugen Forscher des MIT und anderer Institutionen eine vielversprechende Alternative zu MLP vor – KAN. KAN übertrifft MLP in Bezug auf Genauigkeit und Interpretierbarkeit. Und es kann MLP, das mit einer größeren Anzahl von Parametern ausgeführt wird, mit einer sehr kleinen Anzahl von Parametern übertreffen. Beispielsweise gaben die Autoren an, dass sie KAN nutzten, um die Ergebnisse von DeepMind mit einem kleineren Netzwerk und einem höheren Automatisierungsgrad zu reproduzieren. Konkret verfügt DeepMinds MLP über etwa 300.000 Parameter, während KAN nur etwa 200 Parameter hat. KAN hat eine starke mathematische Grundlage wie MLP und basiert auf dem universellen Approximationssatz, während KAN auf dem Kolmogorov-Arnold-Darstellungssatz basiert. Wie in der folgenden Abbildung gezeigt, hat KAN
Google ist begeistert: JAX-Leistung übertrifft Pytorch und TensorFlow! Es könnte die schnellste Wahl für das GPU-Inferenztraining werden
Apr 01, 2024 pm 07:46 PM
Die von Google geförderte Leistung von JAX hat in jüngsten Benchmark-Tests die von Pytorch und TensorFlow übertroffen und belegt bei 7 Indikatoren den ersten Platz. Und der Test wurde nicht auf der TPU mit der besten JAX-Leistung durchgeführt. Obwohl unter Entwicklern Pytorch immer noch beliebter ist als Tensorflow. Aber in Zukunft werden möglicherweise mehr große Modelle auf Basis der JAX-Plattform trainiert und ausgeführt. Modelle Kürzlich hat das Keras-Team drei Backends (TensorFlow, JAX, PyTorch) mit der nativen PyTorch-Implementierung und Keras2 mit TensorFlow verglichen. Zunächst wählen sie eine Reihe von Mainstream-Inhalten aus
Hallo, elektrischer Atlas! Der Boston Dynamics-Roboter erwacht wieder zum Leben, seltsame 180-Grad-Bewegungen machen Musk Angst
Apr 18, 2024 pm 07:58 PM
Boston Dynamics Atlas tritt offiziell in die Ära der Elektroroboter ein! Gestern hat sich der hydraulische Atlas einfach „unter Tränen“ von der Bühne der Geschichte zurückgezogen. Heute gab Boston Dynamics bekannt, dass der elektrische Atlas im Einsatz ist. Es scheint, dass Boston Dynamics im Bereich kommerzieller humanoider Roboter entschlossen ist, mit Tesla zu konkurrieren. Nach der Veröffentlichung des neuen Videos wurde es innerhalb von nur zehn Stunden bereits von mehr als einer Million Menschen angesehen. Die alten Leute gehen und neue Rollen entstehen. Das ist eine historische Notwendigkeit. Es besteht kein Zweifel, dass dieses Jahr das explosive Jahr der humanoiden Roboter ist. Netizens kommentierten: Die Weiterentwicklung der Roboter hat dazu geführt, dass die diesjährige Eröffnungsfeier wie Menschen aussieht, und der Freiheitsgrad ist weitaus größer als der von Menschen. Aber ist das wirklich kein Horrorfilm? Zu Beginn des Videos liegt Atlas ruhig auf dem Boden, scheinbar auf dem Rücken. Was folgt, ist atemberaubend
Empfohlen: Ausgezeichnetes JS-Open-Source-Projekt zur Gesichtserkennung und -erkennung
Apr 03, 2024 am 11:55 AM
Die Technologie zur Gesichtserkennung und -erkennung ist bereits eine relativ ausgereifte und weit verbreitete Technologie. Derzeit ist JS die am weitesten verbreitete Internetanwendungssprache. Die Implementierung der Gesichtserkennung und -erkennung im Web-Frontend hat im Vergleich zur Back-End-Gesichtserkennung Vor- und Nachteile. Zu den Vorteilen gehören die Reduzierung der Netzwerkinteraktion und die Echtzeiterkennung, was die Wartezeit des Benutzers erheblich verkürzt und das Benutzererlebnis verbessert. Die Nachteile sind: Es ist durch die Größe des Modells begrenzt und auch die Genauigkeit ist begrenzt. Wie implementiert man mit js die Gesichtserkennung im Web? Um die Gesichtserkennung im Web zu implementieren, müssen Sie mit verwandten Programmiersprachen und -technologien wie JavaScript, HTML, CSS, WebRTC usw. vertraut sein. Gleichzeitig müssen Sie auch relevante Technologien für Computer Vision und künstliche Intelligenz beherrschen. Dies ist aufgrund des Designs der Webseite erwähnenswert
FisheyeDetNet: der erste Zielerkennungsalgorithmus basierend auf einer Fischaugenkamera
Apr 26, 2024 am 11:37 AM
Die Zielerkennung ist ein relativ ausgereiftes Problem in autonomen Fahrsystemen, wobei die Fußgängererkennung einer der ersten Algorithmen ist, die eingesetzt werden. In den meisten Arbeiten wurde eine sehr umfassende Recherche durchgeführt. Die Entfernungswahrnehmung mithilfe von Fischaugenkameras für die Rundumsicht ist jedoch relativ wenig untersucht. Aufgrund der großen radialen Verzerrung ist es schwierig, die standardmäßige Bounding-Box-Darstellung in Fischaugenkameras zu implementieren. Um die obige Beschreibung zu vereinfachen, untersuchen wir erweiterte Begrenzungsrahmen-, Ellipsen- und allgemeine Polygondesigns in Polar-/Winkeldarstellungen und definieren eine mIOU-Metrik für die Instanzsegmentierung, um diese Darstellungen zu analysieren. Das vorgeschlagene Modell „fisheyeDetNet“ mit polygonaler Form übertrifft andere Modelle und erreicht gleichzeitig 49,5 % mAP auf dem Valeo-Fisheye-Kameradatensatz für autonomes Fahren
Tesla-Roboter arbeiten in Fabriken, Musk: Der Freiheitsgrad der Hände wird dieses Jahr 22 erreichen!
May 06, 2024 pm 04:13 PM
Das neueste Video von Teslas Roboter Optimus ist veröffentlicht und er kann bereits in der Fabrik arbeiten. Bei normaler Geschwindigkeit sortiert es Batterien (Teslas 4680-Batterien) so: Der Beamte hat auch veröffentlicht, wie es bei 20-facher Geschwindigkeit aussieht – auf einer kleinen „Workstation“, pflücken und pflücken und pflücken: Dieses Mal wird es freigegeben. Eines der Highlights Der Vorteil des Videos besteht darin, dass Optimus diese Arbeit in der Fabrik völlig autonom und ohne menschliches Eingreifen während des gesamten Prozesses erledigt. Und aus Sicht von Optimus kann es auch die krumme Batterie aufnehmen und platzieren, wobei der Schwerpunkt auf der automatischen Fehlerkorrektur liegt: In Bezug auf die Hand von Optimus gab der NVIDIA-Wissenschaftler Jim Fan eine hohe Bewertung ab: Die Hand von Optimus ist der fünffingrige Roboter der Welt am geschicktesten. Seine Hände sind nicht nur taktil
