Intel China AI发布Kinematic MeanFlow：革新机器人基础模型的动作生成效率

摘要：Intel China AI团队推出了一种名为Kinematic MeanFlow (K-MF)的新方法，旨在解决机器人基础模型（RFMs）中多步动作生成的高延迟问题。K-MF通过解耦时间导数项并分离为两个子区间，捕捉去噪过程的早期和晚期动态，从而显著提升动作生成的效率。在实验中，K-MF在训练和微调模式下均表现出色，尤其在推理效率方面，GR00T-N1.6模型的延迟降低了67.5%至74.4%，整体端到端延迟减少了30.3%至54.9%。该方法为机器人智能体的高效决策提供了新的技术路径。

---

核心突破

Intel China AI团队推出了一种名为Kinematic MeanFlow (K-MF)的新方法，旨在解决机器人基础模型（RFMs）中多步动作生成的高延迟问题。K-MF通过以下方式实现了突破性进展：

• 解耦时间导数项：K-MF将MeanFlow公式中的时间导数项解耦为两个子区间，分别对应去噪过程的早期和晚期阶段。这种方法能够更准确地捕捉动态变化，避免误差放大。
• 提升推理效率：在实验中，K-MF在训练和微调模式下均表现出色，尤其在推理效率方面表现突出。例如，在GR00T-N1.6模型上，K-MF在L40和Jetson Orin硬件上的延迟降低了67.5%至74.4%，整体端到端延迟减少了30.3%至54.9%。

技术亮点

• 基于运动学恒等式的设计：K-MF的创新性设计基于运动学恒等式，这使得模型能够更好地处理去噪过程中的复杂动态变化。
• 跨任务适用性：K-MF不仅在特定任务中表现出色，还展示了其在多种任务中的广泛适用性，包括从零开始训练和微调模式。
• 开源代码：Intel China AI承诺将K-MF的代码开源，供研究人员和开发者使用和进一步优化。

行业影响

K-MF的发布标志着机器人基础模型在动作生成效率方面的重大进步。其高效的推理能力将有助于提升机器人在复杂环境中的实时决策能力，推动机器人技术在自动化、制造和物流等领域的应用。此外，K-MF的开源特性将促进AI社区的协作与创新，加速相关技术的迭代与发展。

开发者建议

• 关注开源代码：开发者可以关注Intel China AI的GitHub仓库，及时获取K-MF的代码和文档。
• 结合现有模型：建议开发者将K-MF与现有的机器人基础模型结合，探索其在不同应用场景中的潜力。
• 参与社区讨论：积极参与相关技术社区的讨论，分享使用经验与改进建议，推动K-MF的进一步优化。

---

消息来源：Hugging Face Daily Papers (2026-10-01)

—— 完 ——

主题标签： #Intel China AI 关注 #Kinematic MeanFlow 关注 #机器人基础模型 关注 #动作生成 关注 #推理效率 关注