Embedl 优化 Jetson Thor:自动驾驶规划延迟从 604ms 降至 83ms
AIFlow_ML · x · 2026-11-19
Embedl 公布自身测试数据:在 NVIDIA Jetson Thor 上,保持 Alpamayo 2 Edge 模型权重不变的情况下,将单个驾驶规划(driving plan)的推理延迟从 603.7 毫秒压缩到 82.7 毫秒,约 7.3 倍提速。
帖主强调「物理 AI 的胜负在毫秒之间」,指向车载/机器人端侧推理优化这一方向:不改动模型、仅做推理栈层面优化即可获得数量级的延迟改善。
「具身」频道最新
- BiCAT 将双臂协调编码进 VLA 动作 token,面向高协调低延迟任务 — DJiafei · 2026-11-19
- NVIDIA 发布 2B 车载推理模型 Alpamayo 2 Edge,端到端延迟 160-190ms — tomaszbednarz · 2026-11-19
- UIUC 等发布 Game2Player:568 款网页游戏自动变成智能体训练场 — UIUC-CS · 2026-11-19
- 新智具身开源 5000 小时真实触觉数据,三份报告布局触觉原生路线 — 青稞AI · 2026-11-19
- 马斯克:Optimus 机器人 12-18 个月内能完成洗碗收纳全流程 — Polymarket · 2026-11-19
- Nimo Robotics 发布 N1 手套与 D1 灵巧手,用 UMI 系统把人类演示变成机器人技能 — Scobleizer · 2026-11-19