Hari ini gw nyoba bikin mini game web tema robot arm untuk komunitas @axisrobotics namanya AXIS Precision Lab. Idenya sederhana bikin seneng komunitas tapi bantu ngelatih hal yang dekat sama teleop di AXIS seperti baca instruksi, mikir cepat, hitung ringan, pilih objek yang benar, lalu place dengan presisi. Buatku ini bisa jadi cara kecil yang seru buat bawa nuansa pemahaman technical feel nya AXIS ke format yang lebih ringan.
cobain gamenya disini : https://t.co/19VfXcysqf
bantu ramaikan euy karya anak indo
@AxisRoboticsID@0xRyzzu@alanaanastasya
Yang terasa penting minggu ini bukan hanya progresnya, tapi cara @axisrobotics mulai membuat seluruh loopnya lebih rapi, lebih cepat, dan lebih siap tumbuh.
Axis Weekly
This week was about making the AXIS loop more scalable end to end: automating data-to-model workflows, testing recovery-driven training, expanding TaskGen coverage, and preparing the dataset and model stack for release.
Key updates:
- Data-to-model automation: We used scripts to speed up and standardize several repetitive but critical workflows.
- Continuous-growth training: We completed multi-data-scale training and success-rate comparisons across several failure tasks.
- Failure task expansion: A new batch of failure tasks has been pushed to test, expanding the evaluation range for ablations across data scale, data quality, and randomization.
- TaskGen: Articulated-object generation is now merged into the automatic generation pipeline.
- Model and release prep: We finished the first round of fine-tuning, evaluation, and benchmarking, completed the dataset’s conference submission, and are now improving experimental results for release.
Details below 🧵
1M trajectories terasa penting bagi @axisrobotics karena ia bukan cuma milestone pertumbuhan, tetapi titik ketika sebuah sistem mulai lebih sulit dibaca sebagai sekadar janji.
Bagiku, milestone @axisrobotics seperti ini penting bukan karena angkanya saja, tetapi karena ia membuat gagasan tentang distributed Physical AI data engine terasa jauh lebih nyata.