/ Модель

Характеристики

Контекст
2 048 токенов
Размер весов
30,5 ГБ
Лицензия
Apache 2.0
Архитектура
openvla · dense
Опубликована
13 авг 2026

fpvla-fsdp-dit-stage1-30k

Изображение и текст → текст3 профессии

FP-VLA — дообученная зрительно-языковая модель для управления роботами и предсказания двумерных траекторий по изображению и прошлой траектории.

212скачиваний за 30 дней0лайковвеса обновлены15 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

3CTeam разработала FP-VLA — зрительно-языковую модель для робототехники, дообученную на основе openvla/openvla-7b. Вариант stage1-30k содержит checkpoint после 30 000 шагов обучения и поддерживает предсказание траектории робота по изображению и прошлой траектории. Архитектура использует DiT Trace Head для генерации траектории методом итеративного диффузионного шумоподавления и MLP Action Head для предсказания действий. Trace Head принимает 66 обучаемых query-токенов, обусловленных изображением и прошлой траекторией, и выдаёт нормализованную траекторию из 33 точек в двумерном пространстве; для генерации указано 50–500 шагов инференса с компромиссом между скоростью и качеством.

Модель предназначена для зрительно-языкового управления роботами и прогнозирования траекторий. Репозиторий содержит веса в форматах PyTorch и safetensors, а лицензия — Apache-2.0. Сведений о поддерживаемых естественных языках и результатах оценки качества в карточке нет.

Сценарии применения

  • предсказание траектории робота по текущему изображению
  • генерация последовательности точек движения робота
  • исследование зрительно-языкового управления роботами
  • оценка траекторного предсказания на наборе trace_mix

Ограничения

Генерация траектории требует 50–500 шагов инференса, что влияет на скорость и качество. Карточка не приводит результатов оценки качества; для запуска оценки указан базовый чекпойнт openvla/openvla-7b и набор trace_mix.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

3CTeam/fpvla-fsdp-dit-stage1-30k

FP-VLA (Vision-Language-Action) model with trace prediction capability, fine-tuned from openvla/openvla-7b.

Model Architecture

ComponentType
Trace Headdit
Action Headmlp

DiT Trace Head

  • Iterative denoising diffusion for trajectory generation
  • Inference steps: 50-500 (trade-off speed vs quality)
  • Input: 66 learnable query tokens (conditioned on image + past trajectory)
  • Output: 33-point normalized trajectory [33, 2]

Training Info

  • Checkpoint step: 30000

Usage

from prismatic.extern.hf.configuration_prismatic import OpenVLAConfig
from prismatic.extern.hf.modeling_prismatic import OpenVLAForActionPrediction

# Load config + model (constructor + manual weight loading)
config = OpenVLAConfig.from_pretrained("YOUR_REPO_ID")
model = OpenVLAForActionPrediction(config)

import glob
from safetensors.torch import load_file
state_dict = {}
for shard in sorted(glob.glob("YOUR_REPO_ID/*.safetensors")):
    state_dict.update(load_file(shard))
model.load_state_dict(state_dict, strict=False)

Evaluation

python vla_scripts/eval_trace_mix.py \
    --model_path YOUR_REPO_ID \
    --base_vla_path openvla/openvla-7b \
    --data_root_dir data \
    --dataset_name trace_mix \
    --output_dir runs/eval \
    --max_samples 64

License

Apache-2.0

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
OpenVLAForActionPrediction
Ревизия весов
336172f

0 моделей