Inicio Proyectos Seer
Seer

Seer

por InternRobotics · GitHub

[ICLR 2025 Oral] Seer: Modelos de Dinámica Inversa Predictiva son Aprendices Escalables para Manipulación Robótica

Ver en GitHub
⭐ Estrellas
🍴 Ramas
📜 Licencia
Uso comercial permitido
📅 Creado
🔄 Último commit
🏷️ Categoría
💻 Lenguaje
¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
Seer — GitHub preview card
📈 Historial de estrellas
311310
2026-07-202026-07-29
📈 Sigue Seer

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

[ICLR 2025 Oral] Seer: Modelos de Dinámica Inversa Predictiva son Aprendices Escalables para Manipulación Robótica

Seer tiene 310 estrellas en GitHub. Se ha bifurcado 11 veces. Seer está escrito principalmente en Python. Se desarrolla activamente desde 2024. Seer está disponible bajo la licencia Apache-2.0. Sus temas principales son: manipulation, robotics.

Frequently asked questions

¿Qué es Seer?

[ICLR 2025 Oral] Seer: Modelos de Dinámica Inversa Predictiva son Aprendices Escalables para Manipulación Robótica

¿Seer es de código abierto?

Seer es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.

¿Seer es gratis?

Sí. Seer es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está Seer?

Seer está disponible bajo la licencia Apache-2.0.

¿En qué lenguaje está escrito Seer?

Seer está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
OpenSourceAI badge — Seer

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=internrobotics-seer)](https://opensourceai.tech/project/internrobotics-seer.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.