Jev réduit l'écart sim2real en navigation robotique
Ce post indique que Jev aide à réduire l'écart entre simulation et réalité dans la navigation robotique sémantique.
THE JEV GUIDE · CURATED EDITION
Annonces, explications, démos et projets communautaires autour de TypeSafe Jev, organisés par thème. Chaque entrée renvoie à sa source sur X.
Sélection curée · Non exhaustive · Mise à jour manuelle
Sponsors
Ces produits financent l’annuaire. Envie d’y voir le vôtre ?
Ce post indique que Jev aide à réduire l'écart entre simulation et réalité dans la navigation robotique sémantique.
Ben Kolligs a suivi trois sorties récentes de LLM. Sur 75 articles associés, l’analyse assistée par Jev a identifié 60 articles utilisant réellement ces modèles dans des systèmes robotiques, des expériences ou la génération de données — une application concrète de Jev dans l’analyse scientifique.
Cet événement explore les possibilités de combiner l'IA générative Jev avec la robotique, avec des essais pratiques de Liquid AI d1-3B et d'OpenAI Decisions API, ainsi qu'un retour sur la visite de Shenzhen en décembre.
Le post souligne que les modèles de décision comme Jev gèrent le jugement, la classification et la notation sans analyser directement les images ; dans les applications robotiques et drones, un système de vision doit d'abord indiquer au modèle ce qui se trouve dans la scène, combien d'éléments et où.
Partant du modèle de décision JEV, ce post examine le jugement autonome et les alertes en temps réel de l'IA dans le monde réel, et présente VLX-Flow et VLX-Seek, deux modèles de compréhension vidéo en flux et de localisation visuelle pour les scénarios incarnés.
One card in the feed, every sixteen, on every page of it. $50 a week, cancel any week.
Le post explique que JEV assure le jugement, mais que robots et drones doivent d'abord identifier précisément la scène, recenser les éléments et déterminer l'absence de cible avant que JEV ne puisse décider de manière fiable.
Ce post mentionne un harnais Jev pour la navigation robotique, indiquant une application réelle du modèle Jev de TypeSafe.
Le développeur Ben C construit un harnais de contrôle de robots avec TypeSafe AI Jev et Cloudflare Clairic, avec l'instruction exemple « Allez à la cuisine et trouvez la cuisinière ».
ft-lab partage l'avancement du robot Microduck : Jev exclut les objets impossibles à tenir, cherche ceux qui sont saisissables, puis le robot s'approche et les prend, en s'appuyant uniquement sur la caméra. Découverte : les objets au sol près des pieds ne sont pas visibles, il faut donc reculer pour chercher.
L'utilisateur salue le naturel conversationnel d'un système vocal et envisage de l'utiliser comme couche vocale du robot, JEV prenant en charge le reste de l'architecture.
L'auteur partage un modèle de jugement de style Jev de 4B entraîné avec des données publiques et sa propre recette, surpassant des modèles multimodaux de style Jev jusqu'à 27B sur RoboPulse, RoboRewardBench et des déploiements robotiques réels, tout en notant que les modèles de récompense spécialisés restent meilleurs sur leurs domaines.
Après avoir open sourcé JevAny, une infrastructure pour construire des modèles décisionnels, l’équipe a affiné JevAny-Robotics-4B, un modèle spécialisé dans les tâches de jugement pour la manipulation robotique. Link
Star the project on GitHub to support continued updates and curation.