站内暂无「rex github」的结果，已为你找到以下相关资讯：
UC Berkeley、NVIDIA 及 Stanford 联合团队--机器人的“盲盒”开到头了：T-Rex 赋予机器人真实“手感”
来源：市场资讯（来源：）过去一年，具身智能（Embodied AI）的热度空前。从端到端大模型到会做家务的双足机器人，我们似乎正一步步走向电影里的科幻未来。
机器人触觉的爆发前夜：五大技术路线、数据困局与模型之争
在今年的WAIC上，我们体验了一把之后，发现居然还挺舒服的。而这台按摩的机器人，很大的不同在于，它搭载了触觉传感器。
IDEA提出Rex-Thinker：思维链指代物体检测模型准确率+可解释性双突破
传统模型直接输出目标检测框，而 Rex-Thinker 创新性地构建了可解释的推理框架:1. 规划 拆解语言指令:“找到坐在乌龟上的人” → 分解为 “第一步找到乌龟 → 第二步判断每个人是否坐在乌龟上”
斯坦福大学造了一个"AI医生考场"，结果最强的AI也只考了46分
这项由斯坦福大学医学信息学团队完成的研究，以预印本形式于2026年5月发表，论文编号为arXiv:2605.02240。
机器人触觉的爆发前夜：五大技术路线、数据困局与模型之争
在今年的WAIC上，我们体验了一把之后，发现居然还挺舒服的。而这台按摩的机器人，很大的不同在于，它搭载了触觉传感器。
李飞飞、Jim Fan和徐丹飞联合重磅论文：机器人灵巧手可能走错了路
从 Physical Intelligence 的 π0，到 NVIDIA 的 GR00T，再到 UC Berkeley 的 EgoScale，越来越多研究开始挑战翻书、插卡、拧灯泡、分纸杯等接触密集型任务。
3B参数MLLM Rex-Omni首度超越Grounding DINO，统一10+视觉任务
多模态大语言模型（MLLM）在目标定位精度上被长期诟病，难以匹敌传统的基于坐标回归的检测器。近日，来自 IDEA 研究院的团队通过仅有 3B 参数的通用视觉感知模型 Rex-Omni，打破了这一僵局。
李飞飞 、 英伟达 Jim Fan 、徐丹飞三巨头联合重磅论文，改写灵巧手触觉赛道
更让人惊讶的是，这篇论文得出了一个非常反直觉的实验结果:过去具身行业在灵巧手触觉的探索方向，可能错了。
IDEA提出Rex-Thinker：思维链指代物体检测，准确率+可解释性突破
Caption： Rex-Thinker 的思考过程在日常生活中，我们常通过语言描述寻找特定物体：“穿蓝衬衫的人”“桌子左边的杯子”。如何让 AI 精准理解这类指令并定位目标，一直是计算机视觉的核心挑战。