大型语言模型已被证明可以使用少样本学习在各种自然语言任务中实现卓越的性能，这大大减少了使模型适应特定应用程序所需的特定于任务的训练示例的数量。为了进一步了解规模对小样本学习的影响，我们训练了一个包含，我们训练了一个包含5400亿个参数的密集激活 Transformer 语言模型，pathways语言模型棕榈。我们使用途径在6144tpu v4 pal，palm，途径，途径是一种新的ml系统，可以跨 ...

大型基础模型（LFMS）已解锁了人类计算机互动中的新可能性，尤其是随着移动图形用户界面（GUI）代理的兴起，能够解释GUIS。这些代理有望通过允许用户通过简单的自然语言说明自动化复杂的移动任务来彻底改变移动计算。但是，LFMS的固有概率性质，再加上移动任务的歧义和上下文依赖性，使基于LFM的自动化不可靠并且容易出现错误 ...

多对话者记录上的自动语音识别（ASR）具有挑战性。当前方法使用来自多渠道音频和视觉提示的3D空间数据主要集中于目标扬声器的直接波，俯瞰反射波影响，这阻碍了回响环境中的性能。我们的研究介绍了RIR-SF，这是一种基于房间冲动响应（RIR）的新型空间功能，该功能利用了扬声器的位置，房间声学和反射动力学 ...

人形机器人必须实现多种，健壮和可推广的全身控制，以在复杂的以人为本的环境中有效运行。但是，现有的方法，尤其是基于教师框架的方法通常会遭受政策蒸馏过程中运动多样性丧失的损失，并且对看不见的行为的概括有限。在这项工作中，我们提出了一个简化而强大的框架，将条件变异自动编码器（CVAE）集成到学生政策中，以明确对人类运动的潜在多样性进行建模 ...

配备四足机器人的机器人提供了独特的机车操作功能，从而实现了多样化的实用应用。这种集成产生了一个更复杂的系统，该系统在建模和控制方面遇到了增加的困难。强化学习（RL）提供了一种有希望的解决方案，可以通过互动来学习最佳控制政策来应对这些挑战 ...

在单个政策中学习全身控制和手臂动作的全身控制面临挑战，因为这两个任务具有相互矛盾的目标。例如，有效的运动通常有利于水平基础方向，而最终效应器跟踪可能会受益于基础倾斜以扩展可及性。此外，使用基于姿势的任务规范的当前增强学习（RL）方法缺乏直接控制最终效应速度的能力，使得顺利执行轨迹非常具有挑战性 ...

针对人形机器人的机车操作旨在使机器人能够将移动性与上身跟踪功能相结合。大多数现有的方法采用分层体系结构将控制分解为孤立的上身（操纵）和下体（运动）策略。尽管这种分解降低了训练的复杂性，但它固有地限制了子系统之间的协调，并与人类所表现出的统一的全身控制相矛盾 ...

人形机器人在日常任务中显示出巨大的潜力。但是，基于增强学习的运动策略通常由于SIM到现实的动态差距而经常遭受稳健性降解，从而影响了真实机器人的敏捷性。在这项工作中，我们提出了一种新颖的健壮对抗训练范式，旨在增强人类运动政策在现实世界中的稳健性 ...