# Jeu de données Articles associés

Le Centre d'actualités HTX fournit les derniers articles et analyses approfondies sur "Jeu de données", couvrant les tendances du marché, les mises à jour des projets, les développements technologiques et les politiques réglementaires dans l'industrie crypto.

Premier ensemble de données d'entraînement Doc2Repo de longue portée, les agents de code vont au-delà de la correction de bugs pour commencer à créer des dépôts

L'équipe du Gaoling Institute of Artificial Intelligence de l'Université Renmin de Chine a récemment publié DeNovoSWE, le premier grand ensemble de données d'entraînement pour des tâches de génération de code à long terme au niveau du dépôt. Contrairement aux benchmarks précédents centrés sur la correction de bogues (comme SWE-bench), DeNovoSWE se concentre sur la tâche complexe de génération d'un dépôt logiciel complet et exécutable à partir de zéro, en se basant uniquement sur une documentation détaillée. La méthode utilise une approche "Diviser pour régner" et un mécanisme "Critique & Réparation" automatisé par agents multiples pour construire 4 818 instances de tâches de haute qualité. Elle décompose un dépôt cible en "capacités" fondamentales, génère une documentation structurée alignée sur les évaluations (tests), et assure l'absence de fuite d'informations depuis le code source original. Les expériences montrent que l'entraînement avec DeNovoSWE améliore considérablement les performances des agents de code. Par exemple, le modèle Qwen3-30B-A3B-Instruct a vu son taux de réussite passer de 5.8% à 47.2% sur le benchmark BeyondSWE-Doc2Repo. Cela démontre que des données spécifiquement conçues pour les tâches longues et complexes de génération de dépôts sont essentielles pour faire évoluer les agents de code du rôle de mainteneur à celui d'architecte logiciel capable de planifier et d'implémenter des projets complets.

marsbit06/25 08:55

Premier ensemble de données d'entraînement Doc2Repo de longue portée, les agents de code vont au-delà de la correction de bugs pour commencer à créer des dépôts

marsbit06/25 08:55

Première mondiale : un VLA pré-entraîné sur des vidéos humaines pures pour une manipulation habile, déployable après un finetuning avec peu de données

Pour la première fois, une étude démontre l'utilisation exclusive de vidéos humaines pour le pré-entraînement d'un modèle Vision-Langage-Action (VLA) destiné à la manipulation robotique dextre. Le cadre VITRA, développé par Microsoft Research Asie et l'Université Tsinghua, convertit automatiquement de vastes quantités de vidéos d'activités humaines non étiquetées en un ensemble de données V-L-A aligné, comprenant 1 million de clips. Le processus automatique repose sur trois piliers : l'annotation 3D des mouvements de la main, la segmentation des actions atomiques basée sur la vitesse, et la génération d'instructions linguistiques par un VLM (comme GPT-4) guidé par la trajectoire. Pré-entraîné sur ces données humaines diversifiées, le modèle VLA (combinant un VLM et un expert d'actions par diffusion) montre une forte capacité de prédiction d'actions en situation de zéro-shot dans des environnements inédits. Après un micro-ajout nécessitant seulement ~1.2k démonstrations robotiques réelles, il réussit à déployer sur un véritable robot (équipé de la main dextre StarMove XHAND1) des tâches complexes comme saisir, placer, verser ou balayer, avec un taux de réussite élevé et une robustesse remarquable face à de nouveaux objets et arrière-plans. Cette approche réduit considérablement le coût d'acquisition des données robotiques et ouvre la voie à des systèmes d'intelligence incarnée plus généralisables.

marsbit06/08 08:58

Première mondiale : un VLA pré-entraîné sur des vidéos humaines pures pour une manipulation habile, déployable après un finetuning avec peu de données

marsbit06/08 08:58

Nouvelle percée en intelligence incarnée : AutoNavi ouvre en source intégrale son modèle de base universel pour robots ABot-M0

Le domaine de l'intelligence incarnée atteint un jalon majeur. Gaode a annoncé aujourd'hui la mise en open source complète d'ABot-M0, le premier modèle de base unifié pour robots dotés d'un corps. Ce modèle vise à créer « un cerveau universel adaptable à divers types de robots », dans le but de briser les barrières entre les matériels hétérogènes et d'accélérer le déploiement de l'intelligence incarnée des laboratoires vers les scénarios industriels et domestiques. ABot-M0 a démontré des performances exceptionnelles lors de tests de référence, atteignant un taux de réussite de 80,5% sur le benchmark Libero-Plus, soit une amélioration de près de 30% par rapport au modèle précédent Pi0. Il a également établi de nouveaux records sur Libero et RoboCasa. L'open source complet couvre trois dimensions clés : les données, les algorithmes et les modèles. Gaode libère UniACT, le plus grand ensemble de données pour robots, contenant plus de 6 millions de trajectoires d'opération réelles. Les algorithmes innovants, tels que l'apprentissage de variété d'actions (AML) et l'architecture de perception à double flux, sont également divulgués. Enfin, des modèles pré-entraînés et des outils complets sont fournis pour permettre une utilisation immédiate. Cette initiative vise à résoudre les problèmes de « silos de données » et de « difficultés de déploiement », servant de pont entre la recherche académique et les applications industrielles, afin que chaque robot puisse posséder un « cerveau » intelligent et fiable.

marsbit04/01 08:21

Nouvelle percée en intelligence incarnée : AutoNavi ouvre en source intégrale son modèle de base universel pour robots ABot-M0

marsbit04/01 08:21

活动图片