/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
16,8 ГБ
Лицензия
Apache 2.0
Базовая модель
lingbot-vla-4b
Опубликована
27 июл 2026

lingbot-vla-pick-and-place-toys

Языковая модельИзображение, текст → action3 профессии

Дообученная LingBot-VLA для управления роботом SO follower при захвате и перекладывании игрушек по изображениям двух камер и состоянию суставов.

20скачиваний за 30 дней0лайковвеса обновлены27 июл 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

LingBot-VLA Pick-and-Place Toys — дообученный чекпойнт LingBot-VLA 1.0 от автора репозитория Aikwed для управления роботом SO follower при перекладывании игрушек. Модель использует базовую модель robbyant/lingbot-vla-4b и обучена на наборе AlvinAi/pick_and_place_toys: 80 эпизодов и 70 588 кадров с двух RGB-камер, расположенных спереди и сбоку. Визуальные входы приводятся к размеру 224 × 224; горизонт предсказания действий составляет 50 шагов.

Модель принимает изображения с камер и состояние шести суставов и захвата, а выдаёт последовательность действий для пяти суставов руки и захвата. Действия суставов руки обучались как смещения относительно текущего состояния, действие захвата — в абсолютном представлении; при штатном преобразовании смещения возвращаются к исходным абсолютным значениям. Доступны статистики нормализации и конфигурация соответствия признаков.

Чекпойнт предназначен для сценария захвата и перекладывания игрушек в соответствующей конфигурации робота и камер. Обучение выполнено на 10 000 шагах с глобальным размером пакета 16. Лицензия — Apache-2.0. В README указано, что проверка на отложенной выборке и оценка успешности на реальном роботе не проводились; значение обучающей функции потерь не является оценкой надёжности при эксплуатации.

Сценарии применения

  • захват игрушек роботом SO follower
  • перекладывание игрушек между позициями
  • предсказание последовательности движений манипулятора по изображениям камер
  • управление захватом и суставами руки робота

Ограничения

Модель обучена на наборе из 80 эпизодов; проверка на отложенной выборке и оценка успешности на реальном роботе не проводились. Применение предполагает соответствие конфигурации робота, порядка суставов, камер и преобразований признаков, описанных в README.

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

LingBot-VLA Pick-and-Place Toys

This is a post-trained LingBot-VLA 1.0 checkpoint for the AlvinAi/pick_and_place_toys LeRobot v3.0 dataset.

Training

  • Base model: robbyant/lingbot-vla-4b
  • Dataset: 80 episodes, 70,588 frames, 30 FPS
  • Robot: SO follower, 5 arm joints + 1 gripper
  • Cameras: front and side
  • Action horizon: 50
  • Normalization: mean/std
  • Optimizer steps: 10,000
  • Global batch size: 16
  • Learning rate: 2e-5, constant
  • Hardware: 4 x NVIDIA GH200
  • Training time: 4:24:44

The five arm actions were trained as deltas relative to the current arm state. The gripper action remained absolute.

No held-out validation or real-robot success-rate evaluation has been performed yet. The final training loss should not be interpreted as a deployment success rate.

Exact embodiment mapping

The raw LeRobot observation.state and action vectors both have six dimensions in this exact order:

Raw indexDataset nameUnified LingBot-VLA featureTraining action representation
0shoulder_pan.posarm.position[0]delta
1shoulder_lift.posarm.position[1]delta
2elbow_flex.posarm.position[2]delta
3wrist_flex.posarm.position[3]delta
4wrist_roll.posarm.position[4]delta
5gripper.poseffector.position[0]absolute

For every predicted horizon step t, the model's arm training target was:

action.arm.position[t] = raw_action[t, 0:5] - observation.state[0:5]

The gripper target was:

action.effector.position[t] = raw_action[t, 5:6]

During deployment, LingBot-VLA's FeatureTransform.unapply() adds the current arm state back to the predicted arm deltas. The returned raw action therefore has shape [horizon, 6] and is again in the dataset's original absolute joint/gripper convention.

Camera mapping

Raw LeRobot keyRaw shapeUnified LingBot-VLA keyModel camera order
observation.images.front480 x 640 x 3observation.images.camera_top0
observation.images.side480 x 640 x 3observation.images.camera_side1

Both cameras are RGB. At runtime they are resized and padded to the model's 224 x 224 visual input.

Padding and masks

The five physical arm dimensions are placed in an arm.position slot of size 6, so that slot has one padding dimension. The one gripper dimension is placed in an effector.position slot of size 1. This seven-dimensional grouped representation is then padded to max_state_dim=75 and max_action_dim=75; joint_mask ensures that only the six physical dimensions contribute as real joints. Runtime state and returned action vectors remain six-dimensional.

Runtime observation keys

After calling reset("pick_and_place_toys"), the policy server expects an observation containing at least:

observation = {
    "observation.state": state_float32,          # shape (6,)
    "observation.images.front": front_rgb_uint8, # shape (H, W, 3)
    "observation.images.side": side_rgb_uint8,   # shape (H, W, 3)
    "task": "pick and place toys",
}

The complete machine-readable mapping is included as robot_config.yaml. Do not change the joint order, camera mapping, delta-action rule, or normalization statistics without retraining or explicitly converting the inputs and outputs.

Additional files

  • norm_stats.json: normalization statistics for this embodiment
  • robot_config.yaml: LingBot-VLA feature mapping
  • lingbotvla_cli.yaml: complete training configuration and provenance

The original training configuration contains local absolute paths as provenance. Use the explicit paths shown below when deploying elsewhere.

Download

hf download Aikwed/lingbot-vla-pick-and-place-toys \
  --local-dir /path/to/lingbot-vla-pick-and-place-toys

Deployment

Use the official Robbyant/lingbot-vla codebase. Copy the included robot mapping into that checkout:

cp /path/to/lingbot-vla-pick-and-place-toys/robot_config.yaml \
  configs/robot_configs/pick_and_place_toys.yaml

export QWEN25_PATH=/path/to/Qwen2.5-VL-3B-Instruct

python -m deploy.lingbot_vla_policy \
  --model_path /path/to/lingbot-vla-pick-and-place-toys \
  --norm_path /path/to/lingbot-vla-pick-and-place-toys/norm_stats.json \
  --use_length 25

License and attribution

This checkpoint is derived from LingBot-VLA. The upstream project and checkpoint are distributed under Apache-2.0. See LICENSE and retain the upstream attribution when redistributing.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Ревизия весов
3b27fa4

0 моделей