Gemini Robotics On-Device是一个高效的本地机器人模型，具备通用灵活性和快速任务适应能力，能够独立于网络运行，适用于延迟敏感的应用，执行复杂的多步骤指令。开发者可通过SDK进行模型评估和适应，支持快速调整以满足特定需求。该模型在多种测试场景中表现出色，能够完成如折叠衣物等精细任务，推动机器人技术的创新与发展。

Gemini Robotics On-Device是一个高效的本地机器人模型，具备通用灵活性和快速任务适应能力。该模型独立于网络运行，适用于延迟敏感的应用，能够执行复杂的多步骤指令。开发者可通过SDK轻松评估和调整模型，以满足特定需求。

本研究提出了一种名为PETAH的方法，旨在解决资源受限环境中混合变换器的任务适应问题。该方法通过共享变换器骨干网络和剪枝技术，实现了多任务模型的性能和存储优化。实验结果表明，在参数需求更少的情况下，PETAH的性能优于现有技术，适合移动硬件使用。

本文介绍了一种机器遗忘算法，旨在高效移除已训练模型中特定数据的影响，以保护用户隐私。该算法通过选择少量样本进行任务适应，优于传统微调方法，并在多个数据集上验证了其有效性。同时，研究探讨了遗忘风险、查询复杂度及新指标的引入，以实现高效的隐私保护。