/ Модель

Характеристики

Лицензия
MIT
Архитектура
tack-jepa · dense
Опубликована
7 июл 2026

tack-jepa

Языковая модельИзображение, текст → action

TacK-JEPA предсказывает будущие латентные тактильные состояния роботизированной руки по графу сенсоров и последовательности действий.

6скачиваний за 30 дней2лайкавеса обновлены14 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

TacK-JEPA — модель предварительного обучения для тактильного восприятия и управления манипуляциями, разработанная как независимый исследовательский проект. Она использует архитектуру JEPA с графовым энкодером и предсказывает будущее латентное состояние тактильных датчиков при заданной последовательности действий руки Allegro.

На вход подаются граф примерно из 2 200 такселей с координатами, нормалями поверхности, векторами силы и идентификаторами звеньев, а также 22-мерное действие руки. Модель обучена только на симуляциях физики Genesis и выдаёт предсказанный латентный вектор, а не изображение или значения датчиков. В репозитории представлены несколько контрольных точек, включая варианты с абляциями.

Модель предназначена для исследований предсказания тактильных состояний и манипуляций роботизированной рукой. README отмечает разрыв AUROC между графовым и визуальным вариантами, который остаётся предметом изучения. Лицензия весов и кода — MIT; обучающие данные не опубликованы.

Сценарии применения

  • исследование предсказания тактильного состояния при движениях руки Allegro
  • оценка будущего состояния контакта при захвате объекта в симуляции
  • изучение тактильной обратной связи при скольжении объекта
  • сравнение графового и визуального энкодеров тактильных данных
  • проверка представлений тактильных сил и проскальзывания с помощью пробных голов

Ограничения

Модель обучена только на симуляционных данных, а обучающий набор не опубликован; физическое оборудование в проекте не использовалось. Это исследовательский проект, а известный разрыв AUROC между графовым и визуальным вариантами остаётся открытым вопросом.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TacK-JEPA — pretrained checkpoints

Tactile Kinematic Joint-Embedding Predictive Architecture — a force-native, kinematically-grounded, action-conditioned world model for articulated multi-taxel tactile sensing (Allegro Hand). 100% simulation-sourced (Genesis physics); no physical hardware involved.

Input and output

Per simulation timestep:

  • Input to the encoder: a graph of ~2,200 nodes, one per taxel (tactile sensing element) spread across the hand. Each node's features are exact 3D world-frame position (from forward kinematics — given, not learned or inferred), surface normal, a 3D force vector (normal + shear), and a link-ID embedding. Edges connect spatially-close taxels (recomputed every timestep) plus a static same-link backbone. The predictor is additionally conditioned on the hand's 22-dim action vector (16 finger joints + 6 floating-wrist pose).
  • Output: a predicted latent vector k steps in the future — not an image, not raw sensor values. An online encoder embeds the current graph; the predictor takes that embedding plus the action sequence and predicts what a target encoder (EMA copy of the online encoder, gradients stopped) will produce k steps later. Training minimizes the distance between the two; the model never predicts or reconstructs a raw taxel value directly.
  • Small frozen probe heads (evaluation only, not part of the training loss) map the encoder's latent to interpretable quantities — per-taxel force magnitude, a binary slip indicator, contact area — to check whether the latent space captures useful physical structure.

How this differs from standard tactile models

JEPA-style pretraining for touch already exists (Meta's SPARSH trains and releases an I-JEPA variant), and action-conditioned tactile world models already exist too (TacForeSight, Dream-Tac) — so neither "JEPA for touch" nor "world model for touch" alone is the novel claim here. The gap this project targets is more specific:

Sensor / signalGeometryPrediction target
SPARSH, AnyTouch, T3, UniTOptical tactile image (GelSight/DIGIT), 1–2 patches/handInferred from pixelsLatent prediction within a static image
TacForeSight, Dream-TacReal force/torque sensor(s), 1–2 pointsNot kinematically trackedFuture latent state, action-conditioned
TacK-JEPASimulated distributed taxel field, ~2,200 sensors/handExact, via forward kinematicsFuture latent state, action-conditioned

What's in this repo

Five checkpoints from the full training sweep — the §7.2 ablation set, each trained for an equal 6000-step budget on the full dataset (16 object variants, press/grasp/slide trajectories, object-disjoint train/val split):

DirectoryVariant
baseline_stagec/Full model: graph encoder + forward-kinematics taxel positions + VICReg
no_fk_stagec/Ablation: forward-kinematics taxel-position grounding removed
image_native_stagec/Ablation: image-based (ViT) encoder instead of the graph encoder
reconstruction_stagec/Ablation: reconstruction objective instead of JEPA prediction
no_vicreg_stagec/Ablation: VICReg regularization removed

Each directory contains checkpoint.pt, metrics.jsonl (training curve), and resolved_config.yaml (the exact config used for that run).

Usage

Load with the model classes in the code repo (models/encoder.py, models/predictor.py, models/ablations/) — checkpoints are plain PyTorch state_dict bundles, not tied to any particular serving framework.

hf download AmoghShrivastava1/tack-jepa --local-dir ./tack-jepa-checkpoints

Caveats

This is an independent research project, not a production system. See the code repo's ROADMAP.md for the full decisions log, known limitations, and open investigations (e.g. an observed AUROC gap between the graph-encoder and image-native variants, tracked but not fully closed as of the last update).

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
d7aa8a6

0 моделей