如何实现4×推理加速：面向异构多模态模型的跨栈优化实践
我们提出了一套面向 Physical AI 模型的 Cross-Stack Inference Optimization Framework，通过Framework、Runtime、Kernel 与 Fusion 四个层级的协同优化，实现了4倍推理加速。
阅读更多 ›我们提出了一套面向 Physical AI 模型的 Cross-Stack Inference Optimization Framework，通过Framework、Runtime、Kernel 与 Fusion 四个层级的协同优化，实现了4倍推理加速。
阅读更多 ›
我们构建中的世界奖励模型（WRM）将世界模型的物理理解转化为可迁移奖励信号，统一判断成功、进行中与失败，并与WPM协同减少人工奖励设计和真机试错，推动机器人在真实环境中持续学习与跨任务泛化。
阅读更多 ›
HandTouch构建HT-Bench统一触觉基准，融合第一视角视觉与全手触觉，学习跨任务、跨场景、跨硬件的通用触觉表征。
阅读更多 ›