Nine👹(❖,❖)(✱,✱)

@NgocO88803 That would completely change the mood and story of the moment, makes it even more interesting to imagine

@Nine_Web3 What if this moment was captured in a different season or location?

@axisrobotics Great comparison, really shows the impact of the upgrade clearly

Axis Tech Update: From Action Replay to State Replay We've upgraded our backend replay mechanism from action replay to state replay. This can be summarized in 3 steps: - Record state (retain full info) - Compress representation (reduce cost) - Physics consistency validation (remove anomalies) Here is the research behind it: I. Action Replay Fails in Long Tasks Our goal was to enable zero-barrier web teleoperation of robots, seamlessly migrating data to servers for training and cross-sim replay. The pipeline spans multiple environments: User Browser (WASM) ➡️ Server Sim (Python MuJoCo) ➡️ Target Sim. Initially, we used Action Replay (recording commands and replaying them), but success rates dropped drastically as tasks got longer. II. The Root Cause: Underlying Differences in Simulators This error stems from the underlying heterogeneity across simulation environments. Different simulators have micro-differences in numerical precision, physics solver logic, time steps, and collision handling. In dynamical systems, these micro-errors are continuously amplified during time integration. State evolution is recursive: [Current State + Current Action ➡️ Next State]. A tiny deviation early on shifts the contact point, altering collision feedback. Eventually, the trajectory branches off irreversibly. Meaning: The same actions don't yield the same results across different sims. Relying solely on action sequences cannot guarantee reproducible physical trajectories. III. State Replay and New Challenges We shifted our paradigm to State Replay. Instead of recording "what actions were executed," we record "what physical states the system actually experienced." By recording full environment snapshots and loading them during replay, we bypass re-calculating the causal chain. This brought 2 new challenges: 1️⃣ Data Volume: We redesigned data structures to compress 1s of trajectory to ≈ 1KB. 2️⃣ Cheating Risks: Users could fake intermediate trajectories (see our recent anti-bot update). To fix this, we introduced Physical Consistency Validation. The physics engine acts as a referee, enforcing strict constraints: Extract [State + Action] ➡️ Run 1 server sim step ➡️ Get predicted state ➡️ Compare with recorded state. If the error exceeds the threshold, it's rejected. IV. A Higher-Level Perspective: A Denoising Problem From a higher perspective, cross-sim replay actually deals with noisy trajectory data (Real Trajectory + Cross-Sim Error). Our goal is to restore a physically consistent trajectory despite these inherent errors. We accept the inevitable biases between different simulators. Through state recording, compressed representation, and step-by-step physics validation, Axis guarantees trustworthy results. 🔵 To visualize the impact of this upgrade, check out the performance breakdown below. The table compares the success rates of Action Replay vs. State Replay across various tasks.

@HolmesAI_ happy friday detectives , all good luck

happy friday detectives!

@nheoweb3 kkk nhiều chữ đọc cho hiểu nhiều

@Nine_Web3 nhiều chữ vậy sếp:)

@dustinostop Exactly, fresh data is crucial for training better robots

@Nine_Web3 Fresh data is the most important to Robot training

@steven71197 Absolutely, clean data is everything for Physical AI, protecting real contributors is key

@Nine_Web3 Strong move by Axis! Clean data is everything for Physical AI. Protecting real contributors

@dustinostop @axisrobotics Axis Robotics đang chứng minh một điều dữ liệu rất quan trọng

Axis Robotics đang chứng minh một điều rất quan trọng: dữ liệu chất lượng luôn đáng giá hơn tăng trưởng bề mặt 🔥Một cập nhật nhỏ là mình đã chính thức được lên role Y-axis trong @axisrobotics, nhờ vào thành quả nỗ lực và contribute cũng như report khi thấy các hành vi xấu/cheat/bot trong Axis 🥳 Những update gần đây từ Axis Robotics cho thấy dự án này đang bước sang một giai đoạn rất khác so với cách phần lớn người dùng vẫn đang nhìn nhận. Nhiều người vẫn xem Axis như một nơi làm task, kiếm point, leo rank trên Base. Nhưng nếu nhìn kỹ hơn vào những gì team vừa triển khai trong tuần này, thesis thật của dự án lại nằm ở một tầng sâu hơn rất nhiều: xây dựng một data engine đủ đáng tin cậy để phục vụ Physical AI trong thế giới thực. Điều mình thấy đáng nói hơn là logic phía sau quyết định này. Với phần lớn các dự án thiên về tăng trưởng cộng đồng, volume thường được ưu tiên trước vì nó tạo cảm giác số liệu đẹp: nhiều task hơn, nhiều user hơn, activity cao hơn. Nhưng với Axis, cách tiếp cận đó gần như đi ngược lại giá trị cốt lõi của sản phẩm. Họ không cần volume nếu volume đó làm bẩn dataset. Với một dự án đang xây foundational dataset cho robot AI, chỉ một lượng nhỏ dữ liệu nhiễu cũng có thể làm giảm đáng kể chất lượng mô hình huấn luyện phía sau. Nói đơn giản, dữ liệu không chỉ cần “trông giống thật”, mà còn phải đúng với logic vật lý của môi trường. Nếu một trajectory không thể xảy ra trong điều kiện mô phỏng, fail causality hoặc có dấu hiệu bị sửa số, nó sẽ bị reject hoàn toàn. Insight ở đây rất mạnh: Axis không đơn thuần thu thập dữ liệu từ cộng đồng, họ đang biến dữ liệu cộng đồng thành training-grade asset thông qua lớp xác minh backend. Nếu phải tóm gọn thesis của giai đoạn này trong một câu, mình sẽ nói: Axis đang chủ động hy sinh tăng trưởng bề mặt để bảo vệ giá trị lâu dài của dataset.

@jiabtc cảm ơn bác, vẫn đang cố gắng bác ơi

@Nine_Web3 chúc bác sớm lên Z nha

@junn_17425737 @ritualnet @joshsimenhoff Wishing you the same, stay energized and enjoy the day

Has everyone had breakfast yet? 😆 Come on over, breakfast's ready! It's simple, but enough to energize you for the whole day Eat well before you fight, because good energy means a good mood! Wishing everyone a day full of energy and joy! @ritualnet @joshsimenhoff @Jez_Cryptoz @0xMadScientist @ericgudboy

@junn_17425737 @ritualnet @ritualfnd cảm ơn bro nha 😆

@Nine_Web3 @ritualnet @ritualfnd Ma mị quá 😎

Explore the magical world with Ritual. In this dreamlike space, every ancient book and potion bottle holds a secret. Don't forget the magical Siggy, our gatekeeper and mascot. @ritualnet | @ritualfnd

@StoChain Điều này không chỉ là về thời gian giao dịch dài hơn

Wall Street’s shift toward 24/7 RWA markets signals a structural change: tokenization is becoming core financial infrastructure, not just a new asset trend. This is not only about longer trading hours. It is about faster settlement, more efficient collateral movement, and always-on liquidity. - BlackRock launched BUIDL. - Citi is expanding token services tied to 24/7 clearing. - DTCC is building tokenized collateral infrastructure. - NYSE is moving toward tokenized securities rails. At STO Chain, we see this as the next layer of regulated capital markets. The future of finance is tokenized. #STO #STOC #STOChain #RWA

@sera_nie @ritualnet @ritualfnd Appreciate it bro, glad you like it

@Nine_Web3 @ritualnet @ritualfnd nice art, gRitual bro💚

@sera_nie @ritualnet @ritualfnd gRitual Sera 😇

@Nine_Web3 @ritualnet @ritualfnd gRitual bro💚

I’m back Ready to continue the journey of contributing with Ritual. A little creativity for today, a little progress for tomorrow. Let’s build, connect, and grow together 🤝 @ritualnet | @ritualfnd

@Lecter_XFinance em cảm ơn bro hehe

@Nine_Web3 Ok đó bro

@Lecter_XFinance @axisrobotics tham gia ngay và luôn nè bro ơi

🔰bullish @axisrobotics và trend robotics & AI và cách cày nào : Link tham gia ngay nhé : hub.axisrobotics.ai/login?invite_c… ✅Mình vẫn bullish Robotics & AI khi market ổn và hồi. Anh em hãy nhớ Depin khi Grass anh em chê không làm ✅Kèo càng ít slot càng bú và càng khó có vẻ sẽ oke hơn và càng đáng nói khi dự án ban bot mạnh tay ✅Con đầu list luôn ngon nên hi vọng Axis sớm Ngoài ra dự án cũng có những update liên tục : > Có thể xem global metrics + Avg Score để biết mình đang đứng ở đâu trong cộng đồng > Task được chia theo Theme + Atomic Skills, giúp hiểu rõ từng kỹ năng nhỏ > Search theo ID/tên task và xem full breakdown: điểm trung bình, phân phối điểm, toàn bộ trajectory (đã verify & chưa verify) Việc contribute data làm gì ? CEO Axis đã chia sẻ khá rõ ràng. Có 2 hướng chính: 1️⃣ Data để train model (core value) Data anh em làm không phải “cho vui” mà đi thẳng vào pipeline training: > Trajectory gốc (từ thao tác của user) > Replay trong môi trường vật lý (MuJoCo) > Chuyển qua simulator khác (Isaac) để augment (ánh sáng, môi trường, variation...) > Đưa vào training -> model có thể thực hiện lại task 👉 Tức là từ thao tác của user -> trở thành dữ liệu train AI thật. Tháng 5 tới, Axis dự kiến phát hành dataset cánh tay robot Franka ở quy mô lớn, đồng xuất bản với một lab robotics hàng đầu và sẽ open-source. Hiện tại: >Axis đã có 2 deal thương mại từ tháng 4 > Khi task được bán -> người contribute data sẽ được chia revenue 👉 Tức là anh em không chỉ train AI, mà còn tham gia vào một mô hình data economy.

@TrnGian12759322 @ritualnet @ritualfnd Thanks a, good to be back

@Nine_Web3 @ritualnet @ritualfnd welcome back

@steven71197 @ritualnet @ritualfnd Siggy looks adorable as the magical gatekeeper, loving this dreamy Ritual world

@Nine_Web3 @ritualnet @ritualfnd Siggy looks so adorable as the magical gatekeeper! Loving this dreamy Ritual world

@thuyhatcl @ritualnet @ritualfnd để em kiếm rồi thêm dô sau hehe

@Nine_Web3 @ritualnet @ritualfnd Haha tiếc là c k thấy

@airdrop306 @ritualnet @ritualfnd cảm ơn huynh nha

@Nine_Web3 @ritualnet @ritualfnd đẹp quá đệ