[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-8tai-jiqiren-ziji-zuo-shiyan-en":3,"article-related-8tai-jiqiren-ziji-zuo-shiyan-en":30,"series-research-569999a1-0afb-46a6-929a-2c9089682668":76},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"569999a1-0afb-46a6-929a-2c9089682668","8tai-jiqiren-ziji-zuo-shiyan-en","8台机器人怎么自己做实验","\u003Cp data-speakable=\"summary\">我拆解 ENPIRE 里 8 个 AI 和 8 台机器人怎么自己做实验。\u003C\u002Fp>\u003Cp>我盯机器人研发流程很久了，越看越烦。模型训练、仿真、调参、复现实验，表面上都是“工程问题”，实际上一堆人在重复做同样的脏活：换参数、跑失败、记日志、再跑一遍。最别扭的是，很多系统明明已经能“会说”，却不会自己做事。你让它提建议，它点头；你让它换个方向，它也点头；但真到实验台前，它还是得靠人类把每一步拎起来。这个落差一直让我不舒服。\u003C\u002Fp>\u003Cp>所以我看到 \u003Ca href=\"\u002Ftag\u002Fnvidia\">NVIDIA\u003C\u002Fa> 这篇关于 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2050900619901269674\">ENPIRE\u003C\u002Fa> 的介绍时，第一反应不是“哇，厉害”，而是“终于有人把注意力放到研发流程本身了”。这条线来自 NVIDIA \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002F\">GEAR（Generalist Embodied Agent Research）\u003C\u002Fa> 实验室的 Physical AI 路线，重点已经不只是机器人会不会动，而是它能不能参与“怎么研究自己”。官方文中提到相关技术论文已上线，代码和系统未来会开源；我这里不乱报浏览量、点赞或收藏数，因为原文没给。\u003C\u002Fp>\u003Ch2>别再只盯着“机器人会不会动”，先看它会不会做研究\u003C\u002Fh2>\u003Cblockquote>这也是 NVIDIA GEAR（Generalist Embodied Agent Research）实验室近年来 Physical AI 路线的延伸。此前团队重点关注机器人基础模型、世界模型和仿真平台，而 ENPIRE 则进一步将 attention 转向机器人研发流程。\u003C\u002Fblockquote>\u003Cp>这句话我读完就明白了：ENPIRE 不是又一个“更聪明的机器人”，而是把机器人研发本身当成系统来改。以前我们总爱问，机器人能不能抓、能不能走、能不能规划路径。现在 NVIDIA 问的是，机器人能不能参与实验设计、能不能自己跑流程、能不能把研发里那些重复劳动吃掉。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782073087231-rcfn.png\" alt=\"8台机器人怎么自己做实验\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>What this actually means is：他们不只在做执行层智能，而是在做研究层智能。也就是把“发现问题、设计实验、执行实验、记录结果、再迭代”这条链路里的多个环节，交给多个 AI 和多台机器人协同完成。这个思路很像把实验室流程拆成一组可编排的任务，而不是把“一个大模型”硬塞进整个世界。\u003C\u002Fp>\u003Cp>我以前在做自动化测试和硬件联调时，最痛的就是这种流程型工作。单个动作都不难，难的是动作串起来以后，人要一直当总调度。机器人研发也是一样：你不是缺一个更会聊天的模型，你是缺一个能持续推进实验闭环的系统。\u003C\u002Fp>\u003Cp>如果你在做具身智能、实验自动化、机器人平台，第一件事就是别把目标写成“让 AI 更聪明”。那太空了。你要写成“让 AI 接手哪几步研究动作”，越具体越好。\u003C\u002Fp>\u003Cul>\u003Cli>实验前：生成假设、拆任务、准备变量\u003C\u002Fli>\u003Cli>实验中：协调设备、记录状态、处理失败\u003C\u002Fli>\u003Cli>实验后：汇总结果、比较差异、决定下一轮\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>8 个 AI 不是为了装排面，是为了分工\u003C\u002Fh2>\u003Cp>ENPIRE 里最吸引眼球的点，当然是“8 个 AI 和 8 台机器人”。但我不建议你把这个数字理解成炫技。真正有意思的地方在于，多智能体系统在这里不是聊天群，而是工位编制。一个 AI 不可能同时盯住所有实验变量，也不可能既做计划又做执行还做复盘。分工，才是这套东西能跑起来的前提。\u003C\u002Fp>\u003Cp>What this actually means is：把研究流程拆成多个角色，每个角色负责一个局部目标。你可以想成实验室里不再只有“研究员”这个模糊身份，而是有规划、执行、监控、分析、协调这些职责。AI 之间不是谁都能插嘴，而是要有边界、有状态、有任务交接。\u003C\u002Fp>\u003Cp>我自己做过一些 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 编排，最常见的失败就是“所有 agent 都很积极”。每个都想帮忙，最后谁也不负责。ENPIRE 这种思路更接近真实团队：有人定方向，有人跑实验，有人盯异常，有人整理结果。听起来朴素，但这恰恰是能落地的部分。\u003C\u002Fp>\u003Cp>如果你想借鉴这一层，我建议先别急着上复杂框架。先画出你的流程图，再决定要不要多智能体。\u003C\u002Fp>\u003Cul>\u003Cli>哪些步骤必须串行，不能并发\u003C\u002Fli>\u003Cli>哪些步骤可以并行试错\u003C\u002Fli>\u003Cli>哪些步骤需要人工确认\u003C\u002Fli>\u003Cli>哪些步骤可以让 agent 自主重试\u003C\u002Fli>\u003C\u002Ful>\u003Cp>只要这四件事没理清，8 个 AI 只会变成 8 个互相甩锅的进程。\u003C\u002Fp>\u003Ch2>8 台机器人真正值钱的地方，是把“试错成本”摊薄\u003C\u002Fh2>\u003Cp>很多人看到多台机器人，第一反应是“规模化”。我反而觉得，ENPIRE 更像是在做试错成本管理。机器人研发最贵的从来不只是硬件本身，而是每一次失败背后的人力、时间和上下文切换成本。你让一台机器人反复试，效率很快就被失败吞掉；你让多台机器人并行跑，就能把失败变成数据，而不是纯损耗。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782073086288-41cf.png\" alt=\"8台机器人怎么自己做实验\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>What this actually means is：多台机器人不是为了展示“我们有很多机器”，而是为了让实验空间变大，让探索更快。你可以同时验证不同动作策略、不同参数、不同环境扰动，最后把结果汇总到同一个决策层。这样一来，系统的价值不只在执行，还在探索。\u003C\u002Fp>\u003Cp>我以前在仿真里做参数扫掠，最烦的就是单线程。每次改一个变量都要等很久，结果还可能一把失败。后来我把任务拆开并行跑，才第一次感受到“实验系统”这个词的意义。ENPIRE 这类架构给我的感觉也是这样：它不是让机器人更像人，而是让实验更像工程化流水线。\u003C\u002Fp>\u003Cp>如果你要应用这一点，重点不是先买更多机器人，而是先把实验状态标准化。没有统一状态，机器再多也没用。\u003C\u002Fp>\u003Cul>\u003Cli>统一任务描述格式\u003C\u002Fli>\u003Cli>统一失败码和日志结构\u003C\u002Fli>\u003Cli>统一结果输出模板\u003C\u002Fli>\u003Cli>统一回滚和重试策略\u003C\u002Fli>\u003C\u002Ful>\u003Cp>只要这套东西立住了，多机器人系统才有意义。不然就是把混乱复制八份。\u003C\u002Fp>\u003Ch2>世界模型和仿真平台，不是背景板，是实验前的过滤器\u003C\u002Fh2>\u003Cp>原文提到，GEAR 之前重点关注机器人基础模型、世界模型和仿真平台。我觉得这条线非常关键，因为它解释了为什么 ENPIRE 不是空中楼阁。你不可能直接把实验自动化扔到真实世界里，尤其是在机器人这种高成本、高风险场景里。你需要先在世界模型和仿真里做掉一部分错误。\u003C\u002Fp>\u003Cp>What this actually means is：先让系统学会“预演”，再让它进真实实验台。世界模型负责提供对环境和后果的内部表征，仿真平台负责把这些想法变成可重复的测试。这样，AI 才不是闭眼乱试，而是先在低成本空间里筛掉明显错误。\u003C\u002Fp>\u003Cp>我见过太多团队一上来就追求真机闭环，最后被现实打得很惨。真机数据贵，故障排查慢，环境变量还多得离谱。你如果没有仿真和世界模型打底，自动化只会把错误放大得更快。ENPIRE 之所以像样，是因为它站在前面这些基础设施上，而不是凭空起飞。\u003C\u002Fp>\u003Cp>如果你正在搭类似系统，我建议把仿真当作“实验前置审查”，而不是“玩具环境”。它应该回答三个问题：\u003C\u002Fp>\u003Cul>\u003Cli>这个实验值不值得上真机\u003C\u002Fli>\u003Cli>这个策略会不会明显失败\u003C\u002Fli>\u003Cli>失败后下一轮怎么改变量\u003C\u002Fli>\u003C\u002Ful>\u003Cp>只要仿真能帮你挡掉一半无效实验，整个研发节奏就会完全不一样。\u003C\u002Fp>\u003Ch2>真正难的不是生成计划，而是把计划执行到底\u003C\u002Fh2>\u003Cp>很多 agent 系统都卡在同一个坑：计划写得很好，执行一塌糊涂。原因很简单，研究流程不是一次性任务，它是一个会不断遇到异常的连续过程。机器人实验尤其这样，传感器漂移、动作偏差、环境变化、设备故障，任何一个都能把计划打断。\u003C\u002Fp>\u003Cp>What this actually means is：一个能做实验的系统，必须同时具备计划、监控、纠错、重试和收尾能力。少一个都不行。ENPIRE 这种研究方向让我最感兴趣的地方，就是它明显在瞄准“闭环”，而不是只做前半段的脑子。\u003C\u002Fp>\u003Cp>我自己最早做工作流自动化时，也犯过同样的错。大家都喜欢写“智能生成任务列表”，没人愿意写“失败后怎么恢复”。可现实里真正值钱的是恢复能力。你能不能在一半实验失败后保住上下文，能不能把失败原因写回系统，能不能让下一轮少走弯路，这些才是系统有没有用的分水岭。\u003C\u002Fp>\u003Cp>如果要把这点落地，我会强制加三层机制：\u003C\u002Fp>\u003Cul>\u003Cli>状态机，不靠纯 prompt 记忆\u003C\u002Fli>\u003Cli>失败分类，不把所有异常都当成同一种错误\u003C\u002Fli>\u003Cli>人工接管点，避免系统在错误路径上死磕\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这三层很土，但很管用。别被花哨演示骗了，研究流程自动化最后拼的还是这些硬骨头。\u003C\u002Fp>\u003Ch2>别把它当演示视频，把它当研发操作系统看\u003C\u002Fh2>\u003Cp>如果你只把 ENPIRE 看成“8 个 AI 和 8 台机器人在一起做实验”，你会错过重点。重点不是它看起来多热闹，而是它在尝试定义一种新的研发操作系统：谁发起任务，谁执行，谁监控，谁复盘，谁决定下一轮。说白了，就是把原来靠人脑串起来的流程，变成机器可读、可调度、可追踪的系统。\u003C\u002Fp>\u003Cp>What this actually means is：未来做机器人，不只是训练模型，还要训练流程；不只是优化策略，还要优化研发吞吐。这个转向我很认同，因为它更接近真实生产。真正能放大的，不是单次聪明，而是持续迭代能力。\u003C\u002Fp>\u003Cp>我现在看这类项目，已经不太关心“它会不会在 demo 里说漂亮话”，我更关心三件事：任务定义清不清楚、失败恢复有没有设计、接口是不是足够标准。只要这三件事过关，系统就有继续长大的可能。否则再炫的展示，最后也只是一次性表演。\u003C\u002Fp>\u003Cp>如果你想把这套思路搬到自己的项目里，先别追求全自动。先做半自动闭环：\u003C\u002Fp>\u003Cul>\u003Cli>让 AI 生成实验计划\u003C\u002Fli>\u003Cli>让机器人执行标准动作\u003C\u002Fli>\u003Cli>让系统自动记录结果\u003C\u002Fli>\u003Cli>让人只处理异常和决策\u003C\u002Fli>\u003C\u002Ful>\u003Cp>这已经能把很多研发流程从“人肉堆出来”变成“机器跑起来”。\u003C\u002Fp>\u003Ch2>你可以直接照着搭的版本\u003C\u002Fh2>\u003Cp>下面这版不是 ENPIRE 的原文复刻，而是我按它的思路压缩出来的通用模板。你可以把它拿去做机器人实验自动化、agent 协作、仿真验证，或者任何需要“计划-执行-复盘”闭环的系统。\u003C\u002Fp>\u003Ch2>你可以复制的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Multi-Agent Robot Research Workflow Template\n\n## 目标\n用多个 AI 角色和多个执行单元，把机器人实验流程拆成可调度、可回滚、可复盘的闭环。\n\n## 角色分工\n- Planner：生成实验假设、拆解任务、定义变量\n- Scheduler：分配任务给机器人和仿真环境\n- Executor：驱动机器人或仿真执行标准动作\n- Monitor：监控状态、失败码、异常信号\n- Analyst：汇总结果、比较实验差异、提炼结论\n- Reviewer：判断是否需要重试、改变量或升级到真机\n\n## 输入\n- 实验目标\n- 可控变量列表\n- 设备能力边界\n- 失败处理规则\n- 日志和结果格式\n\n## 流程\n1. Planner 生成实验计划\n2. Scheduler 将计划拆成可执行任务\n3. Executor 先在仿真中执行\n4. Monitor 持续记录状态和异常\n5. Analyst 生成结果摘要和差异对比\n6. Reviewer 决定：通过 \u002F 重试 \u002F 调整参数 \u002F 转真机\n7. 系统把失败原因写回知识库或状态表\n8. 下一轮实验基于历史结果自动修正\n\n## 失败策略\n- 如果仿真失败，先调整变量，不直接上真机\n- 如果真机失败，立刻保存上下文并回滚\n- 如果连续失败超过阈值，自动请求人工接管\n- 如果结果不稳定，扩大并行实验数量\n\n## 日志字段\n- run_id\n- timestamp\n- agent_role\n- task_id\n- environment\n- action_taken\n- success_flag\n- failure_type\n- recovery_action\n- next_step\n\n## 评估指标\n- 单轮实验耗时\n- 成功率\n- 人工介入次数\n- 失败恢复时间\n- 每轮新增有效知识量\n\n## 最小可用版本\n先只做三件事：\n1. 任务拆分\n2. 状态记录\n3. 失败回滚\n\n## 备注\n不要一开始就追求全自动。先把闭环跑通，再谈扩展到更多机器人、更多 agent、更多环境。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>我会把这套模板当成起点，而不是终点。真正有价值的不是“看起来像 AI 实验室”，而是你能不能让系统自己推进下一轮实验。做到这一步，机器人研发才算真的开始省人。\u003C\u002Fp>\u003Cp>原始信息来自知乎文章 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2050900619901269674\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2050900619901269674\u003C\u002Fa>，我这里做的是基于公开介绍的拆解和改写，不是原文逐字翻译。NVIDIA 的相关研究入口可从 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002F\">NVIDIA Research\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fwww.nvidia.com\u002Fen-us\u002Fresearch\u002Fgear\u002F\">GEAR\u003C\u002Fa> 继续查。\u003C\u002Fp>","我拆解 NVIDIA ENPIRE：8个AI和8台机器人如何把机器人研发流程自动化。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2050900619901269674",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782073087231-rcfn.png","research","en","422953c3-97a9-4981-b06b-8a8383bd7419",[17,18,19,20,21],"NVIDIA","ENPIRE","机器人研发","多智能体","Physical AI",[23,24,25],"ENPIRE 关注的不是单个更聪明的机器人，而是机器人研发流程自动化。","8 个 AI 和 8 台机器人本质上是在做分工、并行和失败恢复。","最值得借鉴的是闭环：计划、执行、监控、复盘、再迭代。",0,"2026-06-21T20:17:41.340146+00:00","2026-06-21T20:17:41.327+00:00","3103988e-c4fe-45e3-98ab-846500c9d507",{"tags":31,"relatedLang":35,"relatedPosts":39},[32],{"name":33,"slug":34},"Nvidia","nvidia",{"id":15,"slug":36,"title":37,"language":38},"8tai-jiqiren-bao-shiyan-liucheng-zuo-cheng-bihuan-zh","8台机器人把實驗流程做成閉環","zh",[40,46,52,58,64,70],{"id":41,"slug":42,"title":43,"cover_image":44,"image_url":44,"created_at":45,"category":13},"354441d5-652c-4658-a446-14f101f5e084","rootly-benchmark-llama-4-trails-coding-models-en","Rootly benchmark: Llama 4 trails coding models","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782086567786-wz4t.png","2026-06-22T00:02:22.751682+00:00",{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"8cdb1cdd-1014-4c4c-9ea3-63dc78301524","xtragpt-paper-revision-human-ai-collaboration-en","XtraGPT lets you revise papers with control","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782066795284-78ju.png","2026-06-21T18:32:49.655317+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"40d7a637-c770-47b5-8813-fd56a798b332","skill-to-lora-cuts-agent-token-overhead-en","Skill-to-LoRA cuts agent token overhead","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781993875444-u3le.png","2026-06-20T22:17:31.1477+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"405de39d-cfc5-43bf-b47b-ff9ce7be96a9","turboquant-does-not-hurt-search-quality-equal-bytes-en","TurboQuant does not hurt search quality at equal byte budgets","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781857967113-2xax.png","2026-06-19T08:32:22.235692+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"66286461-18c3-42a2-a053-16a87b9a0dd0","deterministic-multicalibration-optimal-sample-use-en","Deterministic multicalibration finally hits optimal sample use","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781850768283-gcmj.png","2026-06-19T06:32:28.768728+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"6dc0410b-c9ec-4148-974b-0b5f7a14975c","uniego-proxy-teachers-egocentric-video-en","UNIEGO unifies egocentric video with proxy teachers","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781849887430-g735.png","2026-06-19T06:17:32.327109+00:00",[77,82,87,92,97,102,107,112,117,122],{"id":78,"slug":79,"title":80,"created_at":81},"a2715e72-1fe8-41b3-abb1-d0cf1f710189","ai-predictions-2026-big-changes-en","AI Predictions for 2026: Brace for Big Changes","2026-03-26T01:25:07.788356+00:00",{"id":83,"slug":84,"title":85,"created_at":86},"8404bd7b-4c2f-4109-9ec4-baf29d88af2b","ml-papers-of-the-week-github-research-desk-en","ML Papers of the Week Turns GitHub Into a Research Desk","2026-03-27T01:11:39.480259+00:00",{"id":88,"slug":89,"title":90,"created_at":91},"87897a94-8065-4464-a016-1f23e89e17cc","ai-ml-conferences-to-watch-in-2026-en","AI\u002FML Conferences to Watch in 2026","2026-03-27T01:51:54.184108+00:00",{"id":93,"slug":94,"title":95,"created_at":96},"6f1987cf-25f3-47a4-b3e6-db0997695be8","openclaw-agents-manipulated-self-sabotage-en","OpenClaw Agents Can Be Manipulated Into Failure","2026-03-28T03:03:18.899465+00:00",{"id":98,"slug":99,"title":100,"created_at":101},"a53571ad-735a-4178-9f93-cb09b699d99c","vega-driving-language-instructions-en","Vega: Driving with Natural Language Instructions","2026-03-28T14:54:04.698882+00:00",{"id":103,"slug":104,"title":105,"created_at":106},"a34581d6-f36e-46da-88bb-582fb3e7425c","personalizing-autonomous-driving-styles-en","Drive My Way: Personalizing Autonomous Driving Styles","2026-03-28T14:54:26.148181+00:00",{"id":108,"slug":109,"title":110,"created_at":111},"2bc1ad7f-26ce-4f02-9885-803b35fd229d","training-knowledge-bases-writeback-rag-en","Training Knowledge Bases with WriteBack-RAG","2026-03-28T14:54:45.643433+00:00",{"id":113,"slug":114,"title":115,"created_at":116},"71adc507-3c54-4605-bbe2-c966acd6187e","packforcing-long-video-generation-en","PackForcing: Efficient Long-Video Generation Method","2026-03-28T14:55:02.646943+00:00",{"id":118,"slug":119,"title":120,"created_at":121},"675942ef-b9ec-4c5f-a997-381250b6eacb","pixelsmile-facial-expression-editing-en","PixelSmile Framework Enhances Facial Expression Editing","2026-03-28T14:55:20.633463+00:00",{"id":123,"slug":124,"title":125,"created_at":126},"6954fa2b-8b66-4839-884b-e46f89fa1bc3","adaptive-block-scaled-data-types-en","IF4: Smarter 4-Bit Quantization That Adapts to Your Data","2026-03-31T06:00:36.65963+00:00"]