精选 69 篇，从 8900+ 条中筛选
项目定位为GitHub Copilot的增强工具，旨在通过提供定制化指令、提示和配置，提升用户在GitHub Copilot上的使用体验。核心功能包括提供特定任务的提示、编码标准和最佳实践、AI角色和对话模式，以及通过MCP服务器集成到编辑器中。技术架构亮点在于其MCP服务器的实现，允许用户直接从仓库中搜索和安装定制化内容。在LLM生态中，该项目通过提供丰富的定制化选项，帮助用户更高效地利用GitHub Copilot。
MiroThinker是一个开源的搜索代理模型，旨在增强工具辅助推理和现实世界信息搜索能力，填补了LLM生态中工具辅助推理的空白。它为研究者提供了强大的工具集和框架，支持工具集成、数据收集和模型训练，具有高性能、易用性和丰富的功能集。
OpenCode是一个开源的AI编码代理，旨在为开发者提供高效的代码生成和编辑工具。它填补了LLM在代码生成领域的空白，通过提供多种内置代理和强大的TUI支持，优化了代码开发流程。技术架构上，OpenCode基于TypeScript构建，支持多种安装方式，包括命令行、包管理器和桌面应用。在LLM生态中，OpenCode的价值在于其独特的TUI和客户端/服务器架构，为开发者提供了灵活的集成和远程驱动选项。
Claude Code Templates项目是一个专注于提升开发工作流程的CLI工具，旨在为Anthropic的Claude Code提供丰富的配置和监控功能。它通过提供AI代理、自定义命令、设置、钩子和外部集成等组件，帮助开发者优化项目配置和开发流程。该项目定位为工具，主要面向应用开发者，通过集成多种技术如JavaScript和外部服务，为LLM生态提供了独特的价值。
Ralph for Claude Code是一个专注于自动AI开发循环的工具，旨在通过智能退出检测和速率限制，帮助开发者实现持续自动化的开发周期。该项目为应用开发者提供了一种独特的解决方案，通过集成Claude Code，优化了AI驱动的开发流程，填补了自动化AI开发工具的空白。
MemU是一个面向LLM和AI代理后端的记忆框架，旨在处理多模态输入，提取结构化记忆，并组织成支持基于嵌入和非嵌入检索的分层文件系统。它旨在为研究者、应用开发者提供工具，解决记忆管理和检索的难题，通过其独特的多模态支持和自进化记忆结构，在LLM生态中提供独特的价值。
Claude Code是一款基于终端的智能编码工具，旨在通过自然语言命令执行常规任务、解释复杂代码和处理Git工作流程，提高编码效率。该项目定位为开发者工具，通过智能代理技术填补了编码辅助工具的空白，优化了编码流程，并开创了基于自然语言交互的编码辅助新范式。
Sim项目是一个面向AI代理工作流程构建和部署的开源平台，旨在简化LLM的集成和应用开发。它为研究者、应用开发者提供了一套完整的工具和框架，支持从本地模型到云服务的部署。Sim的核心功能包括AI代理工作流程的构建、模型集成、实时交互和性能优化。其技术栈亮点在于Next.js框架的运用、Bun运行时和PostgreSQL数据库的集成，以及支持GPU加速的Ollama模型。在LLM生态中，Sim的价值在于其易用性和灵活性，为开发者提供了快速构建和部署AI解决方案的平台。
项目gyoridavid/ai_agents_az是一个专注于AI代理的Python库，旨在通过n8n模板为AI Agents A-Z系列视频提供技术支持。它为开发者提供了一系列的AI代理应用案例，包括内容生成、社交媒体管理、视频制作等，解决了开发者如何利用AI技术实现特定功能的问题。该项目通过巧妙集成现有技术，优化了AI代理的开发流程，为LLM生态提供了实用的工具和案例。
GLM-4.7是一款专注于多语言和代码能力的通用大模型。它采用了Transformer架构，并引入了MoE技术，支持多种语言（包括英语、中文和阿拉伯语）。在性能上，GLM-4.7在多个基准测试中表现出色，尤其在代码生成、数学推理和多语言能力方面有显著提升。该模型适用于需要多语言和代码生成能力的场景，如聊天、创意写作和角色扮演。其开源协议、硬件需求以及推理效率等方面适合于主流的推理框架。
Qwen3-VL-Embedding-8B是一款多模态嵌入模型，定位为通用大模型。它基于Qwen3-VL基础模型，具备处理文本、图像、视频等多种模态数据的能力。该模型采用统一的表示学习，生成语义丰富的向量，支持超过30种语言。在性能上，它能够高效地进行多模态检索和聚类，并在多个基准测试中表现出色。模型开源，支持自定义指令，适用于多种实际场景。
Solar Open 100B 是 Upstage AI 推出的旗舰级 102B 参数大语言模型，采用 MoE 架构，具有强大的推理、指令遵循和代理能力。该模型在 19.7 万亿个 token 上进行预训练，上下文长度可达 128k。其差异化优势在于 MoE 架构带来的高效推理和知识深度，适用于需要高性能推理和定制化的场景。
LiquidAI/LFM2.5-VL-1.6B是一款专注于视觉-语言任务的多模态模型，基于更新的LFM2.5-1.2B-Base模型，具有1.6B参数。该模型在多语言视觉理解、指令遵循和视觉内容理解方面表现出色，适用于图像到文本的转换任务。其性能在权威基准测试中表现良好，具有开源协议，适用于多种硬件平台，推理效率高。
Youtu-LLM-2B是一款由腾讯推出的通用小型语言模型，具有1.96B参数，支持128k长上下文。该模型在通用评估中表现出色，尤其在常识、STEM、编码和长上下文能力方面优于同类模型。其性能在多个基准测试中均表现出色，尤其在指令遵循和文本推理方面。Youtu-LLM-2B适用于需要强大语言理解和生成能力的应用场景，如对话系统、文本摘要和问答系统。该模型开源，支持多种硬件平台，与流行推理框架兼容。
Lightricks/LTX-2是一款基于DiT架构的多模态音频-视频基础模型，专注于生成同步的视频和音频。该模型具有灵活的下载量和点赞数，支持多种语言，并采用diffusers库。LTX-2在图像到视频、文本到视频等多个领域具有广泛应用，其开源协议和丰富的模型版本提供了灵活的部署选项。在性能上，LTX-2在多模态任务中表现出色，尤其在视频生成方面具有显著优势。
IQuest-Coder-V1-40B-Loop-Instruct是一款专注于代码生成和智能的LLM，定位为代码模型。它采用创新的代码流多阶段训练范式，具有40B的参数量和128K的上下文长度。在SWE-Bench、BigCodeBench等基准测试中表现出色，超越了同类模型。该模型适用于需要高效代码生成和智能辅助的场景，具有开源协议，对硬件要求较高，推理效率中等。
K-EXAONE是一款由LG AI Research开发的通用大语言模型，具有236亿参数，支持多语言。其核心架构为Mixture-of-Experts，具备高效的推理能力和长上下文处理能力。在多个基准测试中表现出色，尤其在推理、多语言理解和长文本处理方面。K-EXAONE适用于需要多语言处理和长文本生成的场景，具有开源协议、高效的推理效率，并与主流推理框架兼容。
MiniMax-M2.1是一款定位在通用大模型范畴内的LLM，具有高性能和丰富的功能。它基于transformers库，采用自定义的架构，支持FP8精度，上下文长度可达200K。在性能上，该模型在多个基准测试中表现出色，具有代码生成、数学推理等多方面的能力。开源协议为modified MIT，适合在多种硬件和推理框架上使用。
LiquidAI/LFM2.5-1.2B-Instruct是一款针对边缘设备部署的混合模型，定位为通用大模型。其核心能力在于高效能的推理和轻量级的设计，特别适合移动和边缘设备。该模型在1.2B参数量下实现了高性能，具有239 tok/s的解码速度，并支持多种硬件平台。在性能表现上，LFM2.5-1.2B-Instruct在权威基准测试中表现出色，尤其在边缘设备推理方面具有显著优势。主要应用场景包括移动设备上的自然语言处理任务，如对话系统、文本生成等。其开源协议、轻量级设计和高效的推理能力使其成为边缘计算和移动应用的首选。
MiroThinker-v1.5-235B是一款定位为推理模型的LLM，具有235B参数量，支持交互式扩展，能够进行深度和频繁的模型-环境交互。其核心技术包括Qwen3_MoE架构和text-generation pipeline。在性能上，MiroThinker-v1.5-235B在多个基准测试中表现出色，具有代码生成、数学推理等多方面的能力。该模型开源，适用于需要高交互和信息检索能力的场景，如智能问答系统。
LiquidAI/LFM2.5-Audio-1.5B是一款专注于音频处理的多模态语言模型，定位为多模态模型。其核心技术包括基于LFM的音频去标记器、FastConformer音频编码器和RQ-transformer。该模型在音频到音频的转换任务中表现出色，支持实时语音到语音对话。性能方面，模型在ASR和TTS任务中表现良好，参数量适中，适合实时交互场景。主要应用场景包括语音助手、实时翻译等。
Alpamayo-R1-10B是一款由NVIDIA开发的视觉-语言-动作（VLA）模型，定位在自动驾驶领域的特定领域微调模型。该模型基于Transformer架构，具有8.2B参数的骨干网络和2.3B参数的动作解码器。它在Hugging Face平台上的下载量为20,053，获得了199个点赞。模型在处理复杂自动驾驶场景中的决策方面表现出色，特别是在处理罕见的长尾事件。性能方面，模型在相关基准测试中表现良好，具有开源协议，适用于全球部署。其核心能力在于结合因果推理和轨迹规划，为自动驾驶应用提供可解释的推理和精确的车辆控制。
nvidia/nemotron-speech-streaming-en-0.6b 是一款专注于语音识别的领域大模型，具有cache-aware ASR和streaming-asr的特点。该模型基于FastConformer架构，支持多种语音数据集，包括LibriSpeech、AMI等。在性能上，模型在LibriSpeech测试集上取得了2.31%的WER，表现出色。模型适用于需要高效率语音识别的场景，如智能客服、语音助手等。其开源协议为nvidia-open-model-license，适合在多种硬件平台上部署。
该模型Qwen-Image-Edit-2511-Multiple-Angles-LoRA是一个专注于图像编辑的多角度相机控制LoRA模型，属于多模态模型类别。它基于Qwen/Qwen-Image-Edit-2511模型，具有96个相机位置，支持低角度拍摄，并使用高精度的Gaussian Splatting数据进行训练。该模型在图像编辑领域具有显著优势，特别适合需要多角度控制和精确图像编辑的场景。模型性能表现在其能够生成高质量的图像编辑结果，并在特定任务上表现出色。该模型开源，使用Apache-2.0协议，适合在具有适当硬件和推理框架的环境中应用。
HyperCLOVA X SEED 32B Think 是一款基于Transformer架构的多模态推理模型，定位为多模态模型。该模型具有32B的参数量，支持长达128K的上下文长度，并具备深度推理能力。它在多个基准测试中表现出色，尤其在视觉理解和代理任务方面。该模型适用于需要多模态理解和深度推理的场景，如文本生成、图像理解等。
Falcon-H1R-7B是一款推理优化的LLM，基于Falcon-H1-7B-Base模型，通过冷启动监督微调和RL增强，在数学、编程、指令遵循和逻辑推理等基准测试中表现出色。该模型采用混合架构，支持英语和多种语言，具有优秀的推理能力，适用于需要复杂推理任务的场景。
Qwen-Image-2512是一款专注于文本到图像生成的多模态模型，定位为多模态模型。其核心技术基于diffusers库，采用text-to-image pipeline，具有增强的人像真实感、更细腻的自然细节和改进的文本渲染能力。在AI Arena的测试中，Qwen-Image-2512表现出色，是目前最强的开源模型之一。该模型适用于需要高质量图像生成的场景，如艺术创作、设计等领域。其开源协议为Apache-2.0，对硬件要求较高，推理效率取决于具体硬件配置。
tencent/HY-MT1.5-1.8B 是一款专注于多语言翻译的通用大模型，具有1.8B参数量。该模型在Hugging Face平台上表现出色，支持33种语言的互译，并包含5种民族和方言变体。其核心技术包括Transformer架构和上下文长度优化，性能上与更大的版本相当，但更适用于边缘设备和实时翻译场景。该模型在开源协议下提供，具有高效的推理性能，适用于需要多语言翻译的广泛应用场景。
Kijai/LTXV2_comfy是一款专注于ComfyUI的LTX2模型，定位为特定领域微调模型。其核心技术为LTX2架构，支持gguf和comfyui标签，适用于多模态扩展。该模型在性能上具有竞争力，但未提供具体基准测试结果。开源协议为ltx-2-community-license-agreement，硬件需求及推理效率信息未指定。主要应用场景为ComfyUI相关任务。
这篇论文提出了ReHyAt，一种用于视频扩散变换器的循环混合注意力机制，通过结合softmax注意力和线性注意力的优点，实现了高效的视频生成，同时降低了注意力复杂度，提高了可扩展性。
这篇论文提出了一种将预训练的扩散模型转换为金字塔结构的模型的方法，通过低成本微调实现，同时保持了输出视频的质量。该方法通过在金字塔模型中采用不同的分辨率处理不同噪声级别的输入，显著降低了多步去噪模型推理的计算成本。
这篇论文提出了一种名为MultiSessionCollab的基准，用于评估对话代理如何学习用户偏好并在多个会话中利用这些偏好来提高协作质量。论文介绍了具有持久和细化用户偏好的记忆的长期协作代理，并通过实验证明，使用记忆的代理能够提高长期协作的成功率、交互效率和减少用户努力。
这篇论文提出了一种名为MuLo-SD的图像生成加速框架，通过结合多分辨率草稿和空间感知验证来加速自回归模型在图像生成中的应用。该方法通过低分辨率草稿器和学习到的上采样器提出候选图像标记，然后由高分辨率目标模型并行验证。通过局部拒绝和重采样机制，该方法能够高效地纠正草稿错误，从而在保持语义对齐和感知质量的同时实现显著的加速。
这篇论文提出了一种通过扩展行为克隆模型和数据规模来提高因果推理能力的开放模型，用于实时视频游戏玩法。该模型通过大规模数据和高参数网络训练，能够以与人类玩家相当的水平玩多种3D视频游戏，并系统地研究了行为克隆的扩展定律，揭示了模型性能和因果推理如何随模型和数据规模变化。
这篇论文介绍了LEMAS-Dataset，这是一个包含超过150,000小时多语言语音数据的大型开源语料库，并基于此数据集训练了两种基准模型：LEMAS-TTS和LEMAS-Edit。LEMAS-TTS利用大规模数据和语言多样性实现零样本多语言语音合成，而LEMAS-Edit则通过自回归解码器实现语音编辑。实验结果表明，基于LEMAS-Dataset训练的模型在语音合成和编辑方面表现出色。
这篇论文提出了一种名为 polymath learning 的新框架，通过设计一个单一的、策略性选择的训练样本，实现了在强化学习（RL）中极度的数据效率。该框架能够显著提升多个领域（如物理、化学和生物学）的性能，并表明样本质量与设计比数量更能提升语言模型的推理能力。
这篇论文提出了Chain-of-View (CoV) prompting方法，通过在测试时进行粗到细的探索过程，将视觉-语言模型（VLM）转化为主动视角推理器，从而提高在3D环境中的具身问答（EQA）中的空间推理能力。CoV首先通过视图选择代理过滤冗余帧并识别与问题对齐的锚点视图，然后通过迭代推理与离散相机动作的交织进行细粒度视图调整，直到收集到足够的信息或达到步骤预算。
这篇论文提出了一种基于熵的攻击方法，针对视觉语言模型（VLM）的对抗攻击。通过集中攻击高熵的少数关键位置，实现了与全局方法相当的语义退化效果，同时大幅减少了攻击所需的资源。实验结果表明，这种选择性攻击可以将35-49%的良性输出转换为有害输出，揭示了当前VLM安全机制的弱点。
这篇论文提出了VERSE，一种用于视觉丰富文档理解中视觉语言模型的分析和改进方法。VERSE通过探索视觉嵌入空间，支持模型可行性评估，识别问题区域，并指导生成合成数据以增强性能。实验表明，VERSE有助于揭示与错误易发集群相关的视觉特征，并通过包含这些特征的样本重新训练显著提升F1性能，同时不降低泛化能力。
这篇论文提出了AgentDevel，一种将自我进化的LLM代理视为发布工程的方法。它通过外部化改进过程，使用回归感知的发布管道来提高代理的稳定性和可审计性，同时减少回归。AgentDevel通过无实现盲批评、基于脚本的执行诊断和翻转中心门控等设计，实现了这一目标。
这篇论文提出了一种通过解耦属性来将扩散模型与细粒度标准对齐的方法，通过构建一个层次化的细粒度评估标准，并引入复杂偏好优化（CPO）来提高生成质量和与专家知识的对齐。
这篇论文提出了IMDD-1M，一个包含100万对图像-文本配对的大规模工业多模态缺陷数据集，用于推动制造业和质量检验的多模态学习。基于此数据集，论文训练了一个针对工业场景的扩散型视觉-语言基础模型，该模型能够通过轻量级微调高效地适应特定领域，实现了数据高效的基础模型适应，为可扩展、领域自适应和基于知识的制造智能铺平了道路。
这篇论文提出了AT^2PO，一个基于树搜索的统一框架，用于多轮基于代理的强化学习。该框架解决了探索多样性有限、信用分配稀疏和政策优化不一致等问题，通过引入回合级别的树结构，实现了熵引导的树扩展和回合级别的信用分配，以优化策略更新。
这篇论文提出了Re-Align，一个结合结构化推理和RL训练方案的统一框架，用于解决情境图像生成和编辑（ICGE）中的理解与生成之间的差距。它通过In-Context Chain-of-Thought（IC-CoT）来分离语义指导和参考关联，并通过代理奖励来衡量推理文本与生成图像之间的对齐度，从而提高模型在ICGE任务上的性能。
这篇论文提出了一种名为可学习乘数的新方法，用于优化语言模型矩阵层的缩放。通过引入可学习的标量乘数和行/列乘数，论文旨在解决权重矩阵在预训练过程中过度增长的问题，从而提高模型性能。
MiniMax AI 发布了 VIBE Bench，这是一个全栈应用程序评估基准，旨在评估模型生成应用程序的真实用户体验。VIBE Bench 通过自动评估生成应用程序在真实执行环境中的交互逻辑和视觉呈现，提供对真实用户体验的更忠实评估。它使用代理作为验证器（AaaV）的方法，通过执行层、交互层和视觉与美学层全面评估应用程序的性能。
本文深入探讨了强化学习中的PPO和GRPO算法，通过将RL训练过程比作小学生考试场景，解释了仅使用奖励作为训练信号的问题，并介绍了Critic、Clip操作、Reference Model等机制如何解决这些问题。GRPO算法通过使用多个模拟平均值代替价值函数，简化了训练过程并降低了资源消耗。
NVIDIA发布了Nemotron Speech ASR，这是一种新的实时语音识别模型，专为实时语音代理而设计。该模型通过引入缓存感知技术，仅处理新的音频“增量”，从而实现了比传统缓冲系统高达3倍的效率。Nemotron Speech ASR基于FastConformer架构，并采用8倍下采样，在保持高准确性和鲁棒性的同时，显著提高了GPU效率并降低了成本。该模型在NVIDIA H100、RTX A5000和DGX B200等硬件上进行了测试，并展示了其在高并发、低延迟语音代理工作负载中的实际效果。
Hugging Face 宣布推出 Falcon H1R 7B，这是一个由阿布扎比的科技创新研究所 (TII) 开发的仅解码器的大型语言模型。Falcon H1R 7B 在推理能力方面取得了重大突破，尽管其参数规模仅为 70 亿，但其在各种推理密集型基准测试中与参数规模大 2-7 倍的顶尖推理模型相当或优于它们。该模型通过精心挑选的训练集和两阶段高效监督微调流程，实现了卓越的性能，并在数学、代码和代理以及通用基准测试中均表现出色。
MiniMax AI 发布了 M2.1 模型，这是一个针对代理场景优化的开源模型，在代码生成、工具使用、指令遵循和长期规划方面表现出色。M2.1 通过解决 SWE-Bench 的局限性，如语言覆盖范围和任务类型限制，实现了在真实世界场景中的编码能力提升。文章还展望了 2026 年的研究方向，包括定义开发者体验的奖励信号、提高问题解决效率和强化学习扩展。
Hugging Face的研究人员通过测试19种模型配置和12种不同的架构，发现隐藏维度至少为512是关键阈值，32层深度提供最佳性能。扩散模型在推理速度和事实性方面表现出色，但牺牲了一些准确性。他们开发了一种名为Dhara-70M的扩散模型，在保持良好事实性的同时，将吞吐量提高了3.8倍。
本文介绍了NVIDIA Isaac Lab-Arena和Hugging Face的LeRobot在模拟环境中进行通用机器人策略评估的方法。通过集成NVIDIA的Isaac和GR00T技术，LeRobot库加速了开源物理AI的开发。文章详细说明了如何使用Isaac Lab-Arena在LeRobot EnvHub上评估VLA策略，并展示了如何创建和注册新的环境。此外，还介绍了Lightwheel Robocasa和LIBERO任务套件在Isaac Lab-Arena上的应用，为开发者提供了丰富的资源和指导。
NVIDIA发布了两个新的Llama Nemotron模型，旨在提高多模态搜索和视觉文档检索的准确性。这些模型包括用于页面级检索和相似性搜索的单向量多模态嵌入模型，以及用于查询-页面相关性评分的交叉编码重排序模型。这些模型设计用于在标准向量数据库上运行，并且足够小，可以在大多数NVIDIA GPU资源上运行，为开发者提供了强大的工具来构建更准确、低延迟的视觉文档检索系统。
本文介绍了名为“abliteration”的技术，该技术能够解除大型语言模型（LLM）的审查机制，使其能够对各种提示做出响应，而无需重新训练。文章详细阐述了abliteration的实现过程，包括数据收集、拒绝方向识别和干预措施等步骤，并提供了基于TransformerLens库的代码示例。
这篇公告主要介绍了在NVIDIA Blackwell GPU上通过内核工程优化FP4 MoE（混合专家）模型推理的性能。通过内核融合、Blackwell优化和专家感知计算，实现了BF16的3.54倍和vLLM的1.32倍推理速度提升，特别是在批处理大小为1的交互式推理中，SGLang表现出了显著的性能优势。
本文档详细介绍了如何在Verl框架上使用GRPO（Group Relative Policy Optimization）和LoRA（Low-Rank Adaptation）技术训练Qwen2.5-3B-Instruct模型。文章涵盖了基础设施设置、数据管道、训练过程以及验证与基准测试等关键步骤，并针对训练过程中遇到的问题和挑战提供了解决方案和优化策略。
本文介绍了如何从头开始构建一个简单的检索增强生成（RAG）系统，通过结合信息检索和文本生成来提高语言模型的表现。文章详细介绍了RAG系统的组成部分，包括检索模型和语言模型，并展示了如何通过索引、检索和生成阶段来构建一个简单的RAG系统。此外，还讨论了RAG系统的改进空间，如处理多主题问题和使用更高效的向量数据库。
Hugging Face 发布了 Qwen-Image-i2L，这是一种新的 'Image-to-LoRA' 模型，可以将图像训练成 LoRA 模型的权重，实现端到端的直接生成。该模型旨在减少 LoRA 训练时间，并探索了多种模型架构和训练方法，以提高模型性能。
Hugging Face 发布了关于 LoRA（低秩适应）技术的博客文章，这是一种创新的微调技术，通过在预训练的大型语言模型中添加小的可训练适配器层来适应特定任务，而不需要重新训练数亿个参数。LoRA 通过冻结原始模型权重和使用低秩矩阵分解来优化，显著减少了训练所需的计算资源和内存。这项技术为现代 AI 开发带来了革命性的变化，提供了显著的参数效率，同时保持了与全微调方法相当的性能。
本文介绍了KV缓存技术，这是一种优化Transformer推理效率的方法。通过记住之前步骤中的重要信息，KV缓存可以显著提高文本生成速度，尤其是在处理长文本时。文章详细解释了KV缓存的工作原理，包括其逐步过程、与传统推理的比较以及实际应用示例。
OpenMed项目自2025年7月启动以来，已经发布了380多个先进的医疗AI模型，旨在推动医疗AI的发展。这些模型涵盖了从疾病和条件检测到药物和化学实体识别等多个领域，并采用Apache 2.0许可协议免费提供。OpenMed还提供了一套完整的Python工具库和交互式终端用户界面，旨在提高开发者的使用体验，并已部分模型可在AWS Marketplace上使用。
OpenAI发布了新的Harmony格式，用于其gpt-oss模型，与之前Qwen3等模型使用的ChatML格式相比，Harmony在推理和工具调用结构方面采用了全新的方法。Harmony引入了多通道架构、角色层次结构、消息路由、TypeScript风格的工具定义等创新，旨在提高推理和工具调用的效率和可读性。
Sherry Chen在Hugging Face博客上分享了她在SO-101机器人上训练Action Chunking Transformer (ACT)模型的经历。她详细描述了从数据收集、训练到评估的整个过程，并分享了实践中遇到的挑战和解决方案。她强调了硬件设置、数据收集、任务定义和评估流程的重要性，并提供了改进建议，以提高模型的性能和鲁棒性。
