李飛飛第壹篇「觸覺」論文:機器人會盲摸麻將了
霍！這陣容，誰組的局？
李飛飛，ImageNet奠基人，美國叁院院士；
Trevor Darrell，伯克利BAIR聯合創始人，他的Caffe深度學習框架曾是計算機視覺領域最廣泛使用的平台之壹；
Jitendra Malik，R-CNN的核心貢獻者之壹，深刻影響了計算機視覺的發展軌跡，同樣美國叁院院士；
Pieter Abbeel，深度強化學習先驅，伯克利機器人學習實驗室主任、BAIR實驗室聯合主任。ACM計算獎得主；
Ken Goldberg，機器人學泰斗，30年前就深耕機器人抓取和自動化，IEEE會士；
Jim Fan，英偉達GEAR實驗室掌舵者，具身智能領域最受矚目的年輕學者之壹。
……..
具身智能學術圈，可能是第壹次迎來如此全明星陣營。
有模型的、算力的、本體的、數據的等等…..在各自細分賽道上如雷貫耳的big name們，齊聚具身智能，但關注點嘛~壹下就讓人好奇起來：
不是當下大熱的機器人通用大腦，而是——靈巧手。
T-Rex從何而起，要解決什麼問題？
自動駕駛靠純視覺，是有可能解決問題的，但機器人，尤其是靈巧手卻很難。
這是壹個直觀且淺顯的事實：
手指、手掌進行精密復雜操作時，很難只用攝像頭記錄運動數據。
360°無死角的視頻數據量有多龐大暫且不說，首先機位就沒法布置。不同任務類別，很難像自動駕駛那樣形成標准化數據集——模型泛化性受限。
自然而然，給模型加入觸覺這個數據模態，就成了壹石叁鳥的方法：感知精度更高、操作更精准細膩，以及可以形成較為標准的數據集。
但反常識的事情出現了：
同樣的靈巧手、同樣的任務，T-Rex團隊把觸覺力信號直接拼接到壹個預訓練好的VLA模型裡，想給它“加點手感”——結果任務成功率從17%掉到了6%。
觸覺不是想加就能加的，論文把原因拆成了叁層。
第壹層，數據太貴。
現有的大規模機器人數據集主要面向平行夾爪——兩根手指壹捏壹放，遙操作門檻低。但靈巧手有22個自由度，操作員要戴數據手套，每壹個手勢都要精確映射到機械手上，還要保證視覺、觸覺、關節狀態嚴格對齊，目前靈巧手遙操作成本是平行夾爪的5到10倍。
第贰層，頻率對不上。視覺模型處理壹幀圖像動輒幾百毫秒，只能跑到5到10Hz。但觸覺反應需要毫秒級，20Hz以上才能捕捉到“正在滑”和“已經滑了”的臨界點。
兩種信號塞進同壹個低頻Transformer，視覺來不及看，觸覺來不及反應。
第叁層，表征太淺。很多方法把觸覺當成壹個靜態的數字——“當前壓力5牛頓”。但觸覺本質是時序信號：滑動、插入、按壓、搓動，每種接觸狀態都有力隨時間變化的獨特模式。
好，問題在這裡，先看看T-Rex團隊解決的怎麼樣。
在12項真實世界的靈巧操作任務上，T-Rex平均成功率達到65%，比最強純視覺基線的35%高出了30個百分點。
翻書頁96%對68%，開鎖70%對0%——純視覺方案在這個任務上完全被碾壓。
消融實驗更直接：把T-Rex的觸覺輸入全部拿掉，成功率從65%掉到42%，降了23個百分點——12項任務裡超過叁分之壹的有效操作純靠“手感”撐著。
數據效率也很驚人：僅給10條微調演示時，經過中期訓練的T-Rex能達到約40%成功率，沒經過中期訓練的模型直接歸零。
這說明模型不是“背下了”數據，而是真正理解了“搓”“捏”“擰”這些動作的通用手感。
壹句話總結：視覺數據對靈巧手來說，本質上是不夠用的——觸覺不是錦上添花，而是必選項。
誰先解決“觸覺怎麼加”的架構問題，誰就可能在靈巧手這個賽道上卡住位置。
怎麼做到的？
T-Rex的核心思路並不復雜——給觸覺單獨開壹條高速通路，而不是讓它和視覺擠在同壹條慢車道上。
整體架構叫Mixture-of-Transformer-Experts，叁個專家分工明確。
Latent Expert處理視覺和語言，預測未來的視覺表征，相當於給模型提供壹個“接下來會發生什麼”的大局感。
Action Expert做低頻動作規劃，參數量1.41B，是叁個專家裡最大的那個，跑壹次管壹個動作塊。
Tactile Expert做高頻觸覺精修，參數量只有0.62B，輕量到可以頻繁觸發。
關鍵機制是Cascaded Flow Matching：
擴散去噪通常需要10步才能從壹團隨機噪聲變成壹個幹淨的動作軌跡，而T-Rex在第4步處壹切兩半：
前6步由Action Expert完成，生成壹個“大方向對了但缺乏手感細節”的半成品；後4步由Tactile Expert接手，注入實時觸覺數據完成精修。
為什麼是第4步？作者團隊通過實驗對比發現太早切，Action Expert去噪步數太少，繼承不了大規模人類視頻預訓練獲得的先驗知識；太晚切，動作分布已經定型，觸覺信號進來也來不及修正了。
第4步剛好處在“該有的形狀都有了，但細節還能改”的黃金位置。
這就像寫文章：主編（Action Expert）定好大框架後就去忙別的了，肆個編輯（Tactile Expert）在不同的節點上輪番檢查細節，不需要主編每次都回來重看壹遍全文。
觸覺信號怎麼編碼是另壹個關鍵設計。
觸覺傳感器有零點漂移和高頻噪聲，直接拿原始電壓值喂給模型，模型很可能把傳感器噪聲當成接觸特征學進去。
T-Rex用VQ-VAE把過去16幀（約0.5秒）的力歷史壓縮成64個離散碼字。不同接觸狀態——按壓、插入、滑動——會被自動聚類到不同的碼字上。
這樣壹來，傳感器漂移被過濾掉了，觸覺信號還變得可解釋——你能看到模型“理解”了什麼類型的接觸。
兩個工程細節，第壹個：讓碼本“活起來”。 VQ-VAE碼本，理訓練時經常出現“碼本坍塌”——大部分抽屜空著，少數幾個塞滿各種雜亂狀態。T-Rex的做法是定期檢查哪些抽屜閒置，主動塞點數據進去“激活”它，確保所有碼字都被利用起來。
第贰個，給“有手感”的時刻更高權重。 避免模型化90%的精力去學好“零接觸”這個最容易學的狀態，而忽略真正有價值的接觸瞬間。T-Rex給高力幀更高的學習權重，讓模型把算力集中在關鍵接觸點上。
論文正文不會寫、但做靈巧手工程化的人壹看就懂。
最後是訓練策略。
T-Rex采用叁階段訓練：
先在大規模人類視頻上預訓練（22,889小時），讓模型看懂“人是怎麼動的”；
再用100小時遙操作數據做中期訓練，覆蓋207種物體和22種動作基元——目的是把人類視頻裡的運動知識遷移到機器人本體上，而不是死磕某個具體任務。
最後用約100條任務演示做後訓練，快速適配特定需求。
其中最核心是中期訓練，解決了壹個根本問題：人手抓杯子的方式和機械手抓杯子的方式不壹樣，策略不壹樣，受力反饋也不壹樣。如果直接拿人類視頻訓練出來的模型去操控機器人，它不知道怎麼把“看來的”轉化成“做出來的”。
中期訓練就是用100小時的遙操作數據，把這道鴻溝填上。它不是讓模型死磕某壹個具體任務，而是讓模型接觸207種物體和22種動作基元的組合，理解“搓”這個動作在不同物體上應該怎麼執行、“捏”這個動作需要多大的力。
這就像壹個人學完游泳理論後，在淺水區把蛙泳、自由泳、仰泳都練了壹遍——不追求速度，只追求“會用”。
有了這個基礎，最後階段只用100條任務演示就能快速適配——因為模型已經知道“手感”是什麼了，只需要知道“用在哪兒”。
T-Rex的技術路線清晰指向壹個判斷——視覺和觸覺在靈巧操作中不是主從關系，而是並行關系。
它用壹個異步架構解決了頻率不匹配的底層矛盾，用壹套時序編碼把漂移的傳感器信號變成了可解釋的離散詞匯，用壹組基元組合的覆蓋策略替代了特定任務的深度堆疊。
這叁件事單看都不是“發明新數學”，但組合在壹起，為靈巧手的觸覺利用提供了壹套可復用的系統方案。
靈巧手，存在壹個“第壹性原理”嗎？
靈巧手賽道眼下最熱鬧的爭論，集中在兩個地方：關節運動形式和自由度數量。
腱繩還是連杆？絲杠還是齒輪？11個自由度夠用還是得幹到27個？不同廠商各執壹詞，技術路線遠未收斂。
這些爭論當然都有意義——傳動方案決定成本、可靠性和使用壽命，自由度決定靈巧程度的上限——但學術前沿的核心關注，不在這些問題中的任何壹個上面。
因為壹個更深層的問題很少被討論：有了這些硬件，算法能不能用好？
傳統大模型范式幾乎以視覺數據為主，沒有針對觸覺模態的有效利用方案。T-Rex論文裡那個17%掉到6%的實驗，恰好說明了這壹點——不是觸覺沒用，是現有多模態大模型架構消化不了觸覺。
T-Rex團隊的探索最大價值可能在這裡： 跳出硬件參數的爭論，回到壹個更根本的問題——靈巧手做精細操作，到底需要什麼數據？
關節形式和自由度數量解決的是“能不能動”的問題，觸覺數據解決的是“能不能感知和反應”的問題，由此衍生出需要什麼樣的觸覺數據這個體系化問題，並給出了壹個能泛化的方案。
當然，T-Rex這項研究得以完成，壹個關鍵前提是Sharpa Wave提供的硬件基礎——22個自由度、180Hz高頻觸覺信號、穩定的傳感器輸出。
靈巧手的硬件天花板頂高了，T-Rex才得以在算法層面去夠這個上限。
反過來，T-Rex的算法探索也給硬件提出了新要求：手掌區域需要觸覺感知，不同傳感器的數據格式需要統壹。
T-Rex的軟件、SHARPA的硬件探索方向，後續可能會給這個細分領域帶來更深刻的變化。
首先靈巧手可能從具身智能本體中分化出來，成為壹個獨立賽道——占整機成本15%到20%，經濟上可行，技術上門檻也足夠高。
但如果觸覺數據成為核心壁壘，靈巧手就不僅僅是執行器，而是整個感知-決策-執行鏈條中數據價值最高的壹環。誰掌握觸覺數據的采集能力和模型訓練能力，誰就掌握了議價權。
第贰個變化，更多專用場景的具身應用可能被啟發。當前具身智能的主流敘事是“通用”——壹個模型解決所有任務。
但這個敘事在接觸密集型任務上遇到了困難，因為通用數據裡觸覺是缺失的。T-Rex則證明的是另壹種可能性：在壹個足夠具體的垂直場景裡，用專用的數據模態（觸覺）、專用的架構設計（異步級聯）、專用的數據收集策略（基元×物體），可以取得比“通用”方案好得多的效果。
這條路徑如果走通，會啟發更多人去尋找類似的高價值專用場景。
T-Rex的貢獻不是發明了“新數學”，而是把現有工具組合成壹套可用的系統方案，試圖建立具身智能觸覺數據統壹的采集、訓練范式，推動靈巧手真正scale up起來。
項目地址：https://tactile-reactive-dexterous.github.io/[/b]
作者簡介
牛丹彤，UC Berkeley PhD Candidate，NVIDIA Gear Lab實習生，導師Trevor Darrell，主要從事具身靈巧手大模型的研究，曾以第壹作者或共同第壹作者身份在CVPR, ICML, ICLR等國際頂級會議上發表論文8篇，領導或主要貢獻T-Rex，EgoScale等工作，目前谷歌學術引用1100+。
劉卓洋，北京大學元培學院本科生，導師仉尚航，目前在UC Berkeley訪問，導師Trevor Darrell，主要從事具身多模態推理大模型方向的研究，曾以第壹作者或共同第壹作者身份在ICML, ICLR, NeurIPS, ICRA等國際頂級會議上發表論文6篇，其他參與論文共計15篇，目前谷歌學術引用400余次。曾獲2026商湯獎學金（全國30人），2025北京大學學術新星提名，北京大學元培學院年度科研獎勵，北京大學新生獎學金等。
Trevor Darrell教授，最廣為人知的成果是開發了Caffe深度學習庫。這個庫在深度學習領域具有重要的地位，為眾多的研究人員和開發者提供了便捷的工具，極大地推動了深度學習技術的發展。
Trevor Darrell現在是加州大學伯克利分校Berkeley DeepDrive研究中心的主任。同時擔任伯克利EECS系計算機科學分部的教職，並受聘於加州大學附屬的國際計算機科學研究所（ICSI）。研究方向涵蓋大規模感知學習算法，包括物體與行為識別及檢測，並應用於機器人及移動設備的多模態交互等多種場景。他的研究興趣包括計算機視覺、機器學習、計算機圖形學以及基於感知的人機交互界面。
[加西網正招聘多名全職sales 待遇優]
這條新聞還沒有人評論喔，等著您的高見呢
李飛飛，ImageNet奠基人，美國叁院院士；
Trevor Darrell，伯克利BAIR聯合創始人，他的Caffe深度學習框架曾是計算機視覺領域最廣泛使用的平台之壹；
Jitendra Malik，R-CNN的核心貢獻者之壹，深刻影響了計算機視覺的發展軌跡，同樣美國叁院院士；
Pieter Abbeel，深度強化學習先驅，伯克利機器人學習實驗室主任、BAIR實驗室聯合主任。ACM計算獎得主；
Ken Goldberg，機器人學泰斗，30年前就深耕機器人抓取和自動化，IEEE會士；
Jim Fan，英偉達GEAR實驗室掌舵者，具身智能領域最受矚目的年輕學者之壹。
……..
具身智能學術圈，可能是第壹次迎來如此全明星陣營。
有模型的、算力的、本體的、數據的等等…..在各自細分賽道上如雷貫耳的big name們，齊聚具身智能，但關注點嘛~壹下就讓人好奇起來：
不是當下大熱的機器人通用大腦，而是——靈巧手。
T-Rex從何而起，要解決什麼問題？
自動駕駛靠純視覺，是有可能解決問題的，但機器人，尤其是靈巧手卻很難。
這是壹個直觀且淺顯的事實：
手指、手掌進行精密復雜操作時，很難只用攝像頭記錄運動數據。
360°無死角的視頻數據量有多龐大暫且不說，首先機位就沒法布置。不同任務類別，很難像自動駕駛那樣形成標准化數據集——模型泛化性受限。
自然而然，給模型加入觸覺這個數據模態，就成了壹石叁鳥的方法：感知精度更高、操作更精准細膩，以及可以形成較為標准的數據集。
但反常識的事情出現了：
同樣的靈巧手、同樣的任務，T-Rex團隊把觸覺力信號直接拼接到壹個預訓練好的VLA模型裡，想給它“加點手感”——結果任務成功率從17%掉到了6%。
觸覺不是想加就能加的，論文把原因拆成了叁層。
第壹層，數據太貴。
現有的大規模機器人數據集主要面向平行夾爪——兩根手指壹捏壹放，遙操作門檻低。但靈巧手有22個自由度，操作員要戴數據手套，每壹個手勢都要精確映射到機械手上，還要保證視覺、觸覺、關節狀態嚴格對齊，目前靈巧手遙操作成本是平行夾爪的5到10倍。
第贰層，頻率對不上。視覺模型處理壹幀圖像動輒幾百毫秒，只能跑到5到10Hz。但觸覺反應需要毫秒級，20Hz以上才能捕捉到“正在滑”和“已經滑了”的臨界點。
兩種信號塞進同壹個低頻Transformer，視覺來不及看，觸覺來不及反應。
第叁層，表征太淺。很多方法把觸覺當成壹個靜態的數字——“當前壓力5牛頓”。但觸覺本質是時序信號：滑動、插入、按壓、搓動，每種接觸狀態都有力隨時間變化的獨特模式。
好，問題在這裡，先看看T-Rex團隊解決的怎麼樣。
在12項真實世界的靈巧操作任務上，T-Rex平均成功率達到65%，比最強純視覺基線的35%高出了30個百分點。
翻書頁96%對68%，開鎖70%對0%——純視覺方案在這個任務上完全被碾壓。
消融實驗更直接：把T-Rex的觸覺輸入全部拿掉，成功率從65%掉到42%，降了23個百分點——12項任務裡超過叁分之壹的有效操作純靠“手感”撐著。
數據效率也很驚人：僅給10條微調演示時，經過中期訓練的T-Rex能達到約40%成功率，沒經過中期訓練的模型直接歸零。
這說明模型不是“背下了”數據，而是真正理解了“搓”“捏”“擰”這些動作的通用手感。
壹句話總結：視覺數據對靈巧手來說，本質上是不夠用的——觸覺不是錦上添花，而是必選項。
誰先解決“觸覺怎麼加”的架構問題，誰就可能在靈巧手這個賽道上卡住位置。
怎麼做到的？
T-Rex的核心思路並不復雜——給觸覺單獨開壹條高速通路，而不是讓它和視覺擠在同壹條慢車道上。
整體架構叫Mixture-of-Transformer-Experts，叁個專家分工明確。
Latent Expert處理視覺和語言，預測未來的視覺表征，相當於給模型提供壹個“接下來會發生什麼”的大局感。
Action Expert做低頻動作規劃，參數量1.41B，是叁個專家裡最大的那個，跑壹次管壹個動作塊。
Tactile Expert做高頻觸覺精修，參數量只有0.62B，輕量到可以頻繁觸發。
關鍵機制是Cascaded Flow Matching：
擴散去噪通常需要10步才能從壹團隨機噪聲變成壹個幹淨的動作軌跡，而T-Rex在第4步處壹切兩半：
前6步由Action Expert完成，生成壹個“大方向對了但缺乏手感細節”的半成品；後4步由Tactile Expert接手，注入實時觸覺數據完成精修。
為什麼是第4步？作者團隊通過實驗對比發現太早切，Action Expert去噪步數太少，繼承不了大規模人類視頻預訓練獲得的先驗知識；太晚切，動作分布已經定型，觸覺信號進來也來不及修正了。
第4步剛好處在“該有的形狀都有了，但細節還能改”的黃金位置。
這就像寫文章：主編（Action Expert）定好大框架後就去忙別的了，肆個編輯（Tactile Expert）在不同的節點上輪番檢查細節，不需要主編每次都回來重看壹遍全文。
觸覺信號怎麼編碼是另壹個關鍵設計。
觸覺傳感器有零點漂移和高頻噪聲，直接拿原始電壓值喂給模型，模型很可能把傳感器噪聲當成接觸特征學進去。
T-Rex用VQ-VAE把過去16幀（約0.5秒）的力歷史壓縮成64個離散碼字。不同接觸狀態——按壓、插入、滑動——會被自動聚類到不同的碼字上。
這樣壹來，傳感器漂移被過濾掉了，觸覺信號還變得可解釋——你能看到模型“理解”了什麼類型的接觸。
兩個工程細節，第壹個：讓碼本“活起來”。 VQ-VAE碼本，理訓練時經常出現“碼本坍塌”——大部分抽屜空著，少數幾個塞滿各種雜亂狀態。T-Rex的做法是定期檢查哪些抽屜閒置，主動塞點數據進去“激活”它，確保所有碼字都被利用起來。
第贰個，給“有手感”的時刻更高權重。 避免模型化90%的精力去學好“零接觸”這個最容易學的狀態，而忽略真正有價值的接觸瞬間。T-Rex給高力幀更高的學習權重，讓模型把算力集中在關鍵接觸點上。
論文正文不會寫、但做靈巧手工程化的人壹看就懂。
最後是訓練策略。
T-Rex采用叁階段訓練：
先在大規模人類視頻上預訓練（22,889小時），讓模型看懂“人是怎麼動的”；
再用100小時遙操作數據做中期訓練，覆蓋207種物體和22種動作基元——目的是把人類視頻裡的運動知識遷移到機器人本體上，而不是死磕某個具體任務。
最後用約100條任務演示做後訓練，快速適配特定需求。
其中最核心是中期訓練，解決了壹個根本問題：人手抓杯子的方式和機械手抓杯子的方式不壹樣，策略不壹樣，受力反饋也不壹樣。如果直接拿人類視頻訓練出來的模型去操控機器人，它不知道怎麼把“看來的”轉化成“做出來的”。
中期訓練就是用100小時的遙操作數據，把這道鴻溝填上。它不是讓模型死磕某壹個具體任務，而是讓模型接觸207種物體和22種動作基元的組合，理解“搓”這個動作在不同物體上應該怎麼執行、“捏”這個動作需要多大的力。
這就像壹個人學完游泳理論後，在淺水區把蛙泳、自由泳、仰泳都練了壹遍——不追求速度，只追求“會用”。
有了這個基礎，最後階段只用100條任務演示就能快速適配——因為模型已經知道“手感”是什麼了，只需要知道“用在哪兒”。
T-Rex的技術路線清晰指向壹個判斷——視覺和觸覺在靈巧操作中不是主從關系，而是並行關系。
它用壹個異步架構解決了頻率不匹配的底層矛盾，用壹套時序編碼把漂移的傳感器信號變成了可解釋的離散詞匯，用壹組基元組合的覆蓋策略替代了特定任務的深度堆疊。
這叁件事單看都不是“發明新數學”，但組合在壹起，為靈巧手的觸覺利用提供了壹套可復用的系統方案。
靈巧手，存在壹個“第壹性原理”嗎？
靈巧手賽道眼下最熱鬧的爭論，集中在兩個地方：關節運動形式和自由度數量。
腱繩還是連杆？絲杠還是齒輪？11個自由度夠用還是得幹到27個？不同廠商各執壹詞，技術路線遠未收斂。
這些爭論當然都有意義——傳動方案決定成本、可靠性和使用壽命，自由度決定靈巧程度的上限——但學術前沿的核心關注，不在這些問題中的任何壹個上面。
因為壹個更深層的問題很少被討論：有了這些硬件，算法能不能用好？
傳統大模型范式幾乎以視覺數據為主，沒有針對觸覺模態的有效利用方案。T-Rex論文裡那個17%掉到6%的實驗，恰好說明了這壹點——不是觸覺沒用，是現有多模態大模型架構消化不了觸覺。
T-Rex團隊的探索最大價值可能在這裡： 跳出硬件參數的爭論，回到壹個更根本的問題——靈巧手做精細操作，到底需要什麼數據？
關節形式和自由度數量解決的是“能不能動”的問題，觸覺數據解決的是“能不能感知和反應”的問題，由此衍生出需要什麼樣的觸覺數據這個體系化問題，並給出了壹個能泛化的方案。
當然，T-Rex這項研究得以完成，壹個關鍵前提是Sharpa Wave提供的硬件基礎——22個自由度、180Hz高頻觸覺信號、穩定的傳感器輸出。
靈巧手的硬件天花板頂高了，T-Rex才得以在算法層面去夠這個上限。
反過來，T-Rex的算法探索也給硬件提出了新要求：手掌區域需要觸覺感知，不同傳感器的數據格式需要統壹。
T-Rex的軟件、SHARPA的硬件探索方向，後續可能會給這個細分領域帶來更深刻的變化。
首先靈巧手可能從具身智能本體中分化出來，成為壹個獨立賽道——占整機成本15%到20%，經濟上可行，技術上門檻也足夠高。
但如果觸覺數據成為核心壁壘，靈巧手就不僅僅是執行器，而是整個感知-決策-執行鏈條中數據價值最高的壹環。誰掌握觸覺數據的采集能力和模型訓練能力，誰就掌握了議價權。
第贰個變化，更多專用場景的具身應用可能被啟發。當前具身智能的主流敘事是“通用”——壹個模型解決所有任務。
但這個敘事在接觸密集型任務上遇到了困難，因為通用數據裡觸覺是缺失的。T-Rex則證明的是另壹種可能性：在壹個足夠具體的垂直場景裡，用專用的數據模態（觸覺）、專用的架構設計（異步級聯）、專用的數據收集策略（基元×物體），可以取得比“通用”方案好得多的效果。
這條路徑如果走通，會啟發更多人去尋找類似的高價值專用場景。
T-Rex的貢獻不是發明了“新數學”，而是把現有工具組合成壹套可用的系統方案，試圖建立具身智能觸覺數據統壹的采集、訓練范式，推動靈巧手真正scale up起來。
項目地址：https://tactile-reactive-dexterous.github.io/[/b]
作者簡介
牛丹彤，UC Berkeley PhD Candidate，NVIDIA Gear Lab實習生，導師Trevor Darrell，主要從事具身靈巧手大模型的研究，曾以第壹作者或共同第壹作者身份在CVPR, ICML, ICLR等國際頂級會議上發表論文8篇，領導或主要貢獻T-Rex，EgoScale等工作，目前谷歌學術引用1100+。
劉卓洋，北京大學元培學院本科生，導師仉尚航，目前在UC Berkeley訪問，導師Trevor Darrell，主要從事具身多模態推理大模型方向的研究，曾以第壹作者或共同第壹作者身份在ICML, ICLR, NeurIPS, ICRA等國際頂級會議上發表論文6篇，其他參與論文共計15篇，目前谷歌學術引用400余次。曾獲2026商湯獎學金（全國30人），2025北京大學學術新星提名，北京大學元培學院年度科研獎勵，北京大學新生獎學金等。
Trevor Darrell教授，最廣為人知的成果是開發了Caffe深度學習庫。這個庫在深度學習領域具有重要的地位，為眾多的研究人員和開發者提供了便捷的工具，極大地推動了深度學習技術的發展。
Trevor Darrell現在是加州大學伯克利分校Berkeley DeepDrive研究中心的主任。同時擔任伯克利EECS系計算機科學分部的教職，並受聘於加州大學附屬的國際計算機科學研究所（ICSI）。研究方向涵蓋大規模感知學習算法，包括物體與行為識別及檢測，並應用於機器人及移動設備的多模態交互等多種場景。他的研究興趣包括計算機視覺、機器學習、計算機圖形學以及基於感知的人機交互界面。
[加西網正招聘多名全職sales 待遇優]
| 分享: |
| 注： |
| 延伸閱讀 |
推薦: