Закреплённый твит
woooii @axisrobotics , @AxisRoboticsID susah banget njirrr ngangkat biskuit, bener bener task malam ini bikin emosi🤬
Indonesia
EnpiciFi (✱,✱)
1.8K posts
EnpiciFi (✱,✱)
@masssnpc
Changing minds, leaving marks Garbage Boy at @PrismaXai | Contributor at @axisrobotics
Tanah Abang, Indonesia Присоединился Ekim 2011
109 Подписки1.2K Подписчики
Hal-hal besar sering datang dari task yang kelihatannya biasa. “Booster grasp cube into basket” mungkin sederhana, tapi di arah yang ditulis @axisrobotics , task seperti ini terasa seperti potongan kecil dari sesuatu yang lebih besar.
EnpiciFi (✱,✱)@masssnpc
Wahai penghuni komunitas @axisrobotics @AxisRoboticsID , udah beres kah task “Booster grasp cube into basket”? share dong pengalaman kalian Music: Daylight by @maroon5
Indonesia
@sanwahm @axisrobotics a glimmer of your enthusiasm is manifested in the form of words
English
Intelligence systems are built from millions of simple actions, signals, and continuous learning @axisrobotics
Cassandra Nicholson (❖,❖)@sanwahm
Together, we train smarter systems for a smarter future 🌍🤖 @axisrobotics
English
Indonesia
Indonesia
Wahai penghuni komunitas @axisrobotics @AxisRoboticsID , udah beres kah task “Booster grasp cube into basket”? share dong pengalaman kalian
Music: Daylight by @maroon5
Indonesia
@0xagoes1 @axisrobotics @AxisRoboticsID manusia mengajrakan bahwa robot juga harus pandai mengambil objek dari berbagai sudut pandang
Indonesia
Dari simulasi ke aksi nyata robot belajar lebih cepat, cerdas, dan fleksibel.
Setiap skenario, setiap objek, semua dipelajari untuk hasil yang lebih presisi. @axisrobotics @AxisRoboticsID
Indonesia
@Stevennn77_ @axisrobotics @AxisRoboticsID @axisroboticsPh ingat banget dulu bang steven pasti di atas 1 menit aowkwkwkkww
Indonesia
GA NYANGKA BANGET SPEED KU YANG SKRNG BISA NAIK SEGILA INI 😭🔥
dulu awal garap task di Axis Robotics…
1 task aja bisa 3 menit lebih 💀
salah dikit ulang, robot nyangkut, barang-barang terbang wkwk 🤣
sekarang?
rata-rata belasan detik udah kelar 😭🔥
dulu:
“anjir ini apaan dah susah banget” 😭
sekarang:
“segini aja?” 😂
Kalau udah sering garap, tangan ngerjainnya sat set sat set kelar 😂
Bahkan sekarang 15 task per hari pun jadi berasa dikit karena udh berasa gampang 😂
Buat temen-temen yang belum coba bisa ikutan garap lewat sini ya 👇
hub.axisrobotics.ai/login?invite_c…
Jangan lupa juga join komunitas telegramnya ya 👇
t.me/axisroboticsID
Indonesia
"Kadang kemajuan terbesar datang bukan dari menciptakan sesuatu yang baru, tetapi dari membuat yang sudah ada bisa saling terhubung dengan lebih baik"
sedikit kiasan untuk @PrismaXai
Indonesia
Kadang yang berubah bukan tujuannya, tapi bentuk hal yang dipakai untuk mencapainya. Di situ justru logika @axisrobotics mulai kelihatan, task tidak sedang melatih model untuk menghafal objek, tetapi untuk memahami goal di tengah variasi visual yang terus berubah.
EnpiciFi (✱,✱)@masssnpc
Kalau deskripsi objek dan aset aktual terasa tidak selalu sama, sekarang alasannya sudah lebih jelas. @axisrobotics sedang membangun keragaman data lewat in task randomization, supaya model belajar pada tujuan tugas, bukan cuma pada satu bentuk objek yang berulang.
Indonesia
Yang ngerasa benda benda di task beda beda atau gak cocok itu benerrr
Tapi, itu bukan bug ternyata wkwkkw
Emang dibuat gitu
Axis pake sistem In-Task Randomization biar robotnya tambah belahar dan pinter pake macem macem data.
Terus apa itu In-Task Randomization?
Biasanya, dalam sebuah task, objek yang muncul selalu sama persis dengan gambar referensi.
Dengan fitur ini, aset visual (warna, bentuk, bahan) dan tata letak (posisi objek) akan berubah secara acak setiap kali tugas dimulai.
Jadiii, gausah protes lagii yaa kalo beda itemnya wkwkwkw
Axis Robotics@axisrobotics
Noticed that object descriptions and reference images sometimes don't perfectly match the actual assets spawned in a task? This is because we’ve rolled out in-task randomization to increase data diversity and improve model generalization. The actual assets may vary, but the task goal always remains the same. Please focus on the task goal rather than the specific assets. Rich scenarios, diverse combinations of atomic skills, and extensive in-task randomization build the diversity of our data.
Indonesia
axis isn’t building another ai app.
they’re building infrastructure for physical intelligence.
every human interaction becomes signal.
every signal trains adaptation.
every adaptation improves real-world robotics.
this is how machines learn the real world.
@axisrobotics
English
Kalau deskripsi objek dan aset aktual terasa tidak selalu sama, sekarang alasannya sudah lebih jelas. @axisrobotics sedang membangun keragaman data lewat in task randomization, supaya model belajar pada tujuan tugas, bukan cuma pada satu bentuk objek yang berulang.
Axis Robotics@axisrobotics
Noticed that object descriptions and reference images sometimes don't perfectly match the actual assets spawned in a task? This is because we’ve rolled out in-task randomization to increase data diversity and improve model generalization. The actual assets may vary, but the task goal always remains the same. Please focus on the task goal rather than the specific assets. Rich scenarios, diverse combinations of atomic skills, and extensive in-task randomization build the diversity of our data.
Indonesia
I contributed to the tacit mixer ceremony. Contribution #447, hash 2a00fdba7bc5fdd2565134c105b7ef02. tacit.finance/?ceremony=1373… #tacit #btc
English
@axisrobotics this creates a continuous loop: humans contribute → ai learns → robots improve → real-world impact grows. more signals mean smarter and more adaptive systems.
@axisrobotics
English
We are now open-sourcing the AxisDataCleaning pipeline.
Github repo: github.com/AxisAIOrg/Axis…
Browser teleoperation is one of the most scalable paths for robot data generation. Raw human input, however, is not yet model-ready:
▪️ Idle pauses
▪️ Micro-jitters
▪️ Low & Variable frame rates
Raw web data alone is not enough for reliable policy training.
Here is how our backend turns noisy human demonstrations into usable trajectories for downstream policy training. 🧵👇
Axis Robotics@axisrobotics
Over a month ago, we open-sourced our task generation pipeline. Since then, we’ve run countless trials, hardened the infra, and are getting ready to ship the full stack. Here is a raw look at our asset generation pipeline 🧵
English
Yang dibuka @axisrobotics kali ini bukan sekadar repo baru, tapi bagian penting dari logika mereka, data browser yang skalabel tetap perlu proses cleaning yang serius sebelum bisa dipakai melatih policy robot. Di situlah AxisDataCleaning terasa penting, karena ia menjembatani input manusia yang berisik dengan data yang lebih padat, lebih stabil, dan lebih siap latih.
EnpiciFi (✱,✱)@masssnpc
Skala memang penting, tapi robot tidak belajar dari data mentah begitu saja. @axisrobotics berusaha membuat trajectory yang sudah dibersihkan, dirapikan, dan dibuat cukup stabil untuk benar-benar dipakai.
Indonesia
@0xagoes1 @axisrobotics Teknologi masa depan yang akan sangat berguna bagi kehidupan manusia, kembali lagi saya katakan disini bukan tentang robot mengganti manusia, tapi dari manusia untuk robot
Indonesia
Physical AI bukan sekadar kecerdasan buatan ini adalah teknologi yang bisa bergerak, bekerja, dan membantu manusia di dunia nyata.
Mulai dari robot, drone, hingga mesin pintar, semuanya dirancang untuk membuat pekerjaan lebih cepat, aman, dan efisien. @axisrobotics
Indonesia
entah kenapa task nya akhir-akhir ini makin nyebelin ya, tapi entah knpa kalo ga di kelarin kayak ada yang kurang aja rasanya, ada yang sama ga?. btw skor kalian berapa? kok punyaku stuck disini (bertanya dengan nada santai)
Indonesia
@vmhoangit1408 @axisrobotics Yaaa btul skali bang, klo datanya banyak kotor terkesan percuma
Indonesia
@masssnpc @axisrobotics Penting sekali untuk memastikan trajectory stabil agar robot bisa berfungsi optimal. Ini bisa memperbaiki kinerjanya!
Indonesia
Skala memang penting, tapi robot tidak belajar dari data mentah begitu saja. @axisrobotics berusaha membuat trajectory yang sudah dibersihkan, dirapikan, dan dibuat cukup stabil untuk benar-benar dipakai.
Axis Robotics@axisrobotics
We are now open-sourcing the AxisDataCleaning pipeline. Github repo: github.com/AxisAIOrg/Axis… Browser teleoperation is one of the most scalable paths for robot data generation. Raw human input, however, is not yet model-ready: ▪️ Idle pauses ▪️ Micro-jitters ▪️ Low & Variable frame rates Raw web data alone is not enough for reliable policy training. Here is how our backend turns noisy human demonstrations into usable trajectories for downstream policy training. 🧵👇
Indonesia
Points bukan tujuan akhir. @PrismaXai memberi tanda bahwa seseorang akan ikut membangun sesuatu yang lebih besar.
Indonesia