Un nuevo modelo de aprendizaje por imitación, **Action Chunking with Transformers (ACT)**, logra controlar naves espaciales con alta precisión utilizando un conjunto de datos sorprendentemente pequeño. Este avance promete mejorar la eficiencia y la seguridad de las misiones espaciales.

Investigadores presentan Sticker-TTS, un innovador framework que utiliza "stickers" para optimizar el razonamiento de modelos de lenguaje grandes (LLMs), superando a métodos como la autoconsistencia y el aprendizaje por refuerzo.