/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
28 сен 2025

RoboBrain-X0-Preview

Языковая модельИзображение, текст → action

Мультимодальная модель BAAI для понимания изображений и инструкций и генерации действий для манипуляционных роботов разных типов.

0скачиваний за 30 дней11лайковвеса обновлены20 окт 2025

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

RoboBrain-X0-Preview — предварительная версия модели для управления роботами, разработанная командой BAAI. Это мультимодальная модель vision-language-action на основе RoboBrain 2.0 и OmniSAT, токенизатора действий. Она принимает изображения с одной или нескольких камер и текст, а выдаёт токены действий, которые OmniSAT преобразует в управляющие последовательности с несколькими степенями свободы.

Модель предназначена для роботизированных манипуляций, разбиения сложных заданий на подзадачи и переноса управления между разными роботами, включая платформы AgileX, R1-Lite и Franka. В карточке заявлены обобщение без дообучения и обработка входов с RGB-D, однако подробности о поддерживаемом языковом наборе, размере модели и длине контекста не приведены. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0; это preview checkpoint, поэтому его возможности следует считать предварительными.

Сценарии применения

  • управление роботом-манипулятором по изображению и текстовой инструкции
  • разбиение сложной роботизированной задачи на подзадачи
  • перенос навыков управления между разными платформами роботов
  • генерация последовательностей действий для выполнения манипуляций
  • управление роботом по изображениям с нескольких камер

Ограничения

Это предварительная версия; заявленные возможности обобщения и выполнения сложных задач описаны в карточке, но независимые оценки качества не приведены. Для преобразования токенов действий в управляющие сигналы требуется OmniSAT и соответствующая роботизированная платформа.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RoboBrain-X0: A Unified Cross-Embodiment Vision-Language-Action Model for Token Reasoning and Action Generation.

💬 If you have any questions, feel free to contact us via WeChat or RedNote.

🔥 Overview

We are thrilled to introduce RoboBrain-X0, a groundbreaking cross-ontology foundation model designed to overcome the limitations of single-robot systems in heterogeneous ontology transfer. By leveraging End-Effector pose representation in SE(3) task space, coupled with a Unified Action Vocabulary (UAV) and action tokenizer, RoboBrain-X0 achieves efficient zero-shot generalization and complex task decomposition. Its Grouped Residual Quantizer (GRVQ) maps continuous control sequences from diverse degrees of freedom and mechanical structures to a shared discrete action primitive space, ensuring semantic consistency and transferability across ontologies such as AgileX, R1-Lite dual-arm wheeled robots, and Franka single-arm systems. Through ontology-conditioned diverse prompting, the model supports flexible decoding from multi-view RGB-D inputs to specific executions, significantly reducing training and inference overhead. RoboBrain-X0 delivers state-of-the-art performance in embodied reasoning tasks, laying a robust foundation for developing versatile, real-world robotic agents and advancing embodied intelligence research.

🗞️ News

📆 Todo

  • Release model checkpoint for RoboBrain-X0-Preview based on Fast Tokenizer
  • Release quick inference example for RoboBrain-X0
  • Release training and evaluation codes for RoboBrain-X0
  • Release omnisat-based RoboBrain-X0 full version (coming soon)

🚀 Features

RoboBrain-X0 supports the unified modeling of heterogeneous ontologies and offers zero-shot generalization and complex task decomposition capabilities. Building on RoboBrain's multimodal foundation, RoboBrain-X0 further integrates real-world robot motion data based on RoboBrain-2.0 data. By unifying vision, language, and motion modeling, it achieves cross-ontology generalization and adaptation, providing integrated capabilities from perception to execution.

⭐️ Architecture

This model includes RoboBrain 2.0 and OmniSAT (action tokenizer). Based on RoboBrain 2.0, the model is trained on a large amount of real-world robotics data and embodied reasoning data, enabling it to possess general robotic manipulation capabilities. The action token sequences output by the model are converted into underlying robot control signals through our proprietary action tokenizer. Model details are as follows:

  • Multimodal Input: The model accepts single-image, multi-image, and text input (covering pointing task scenarios, object maneuverability scenarios, trajectory scenarios, and subtask execution scenarios), and produces outputs of varying dimensions based on the input scenarios.
  • Action Generation and Execution: After model processing, OmniSAT converts these into multi-degree-of-freedom (DoF) action sequences, ultimately driving the robot to complete the operation.

🤗 Model Zoo

ModelsCheckpointDescription
RoboBrain-X0-preview🤗 BAAI/RoboBrain-X0-Previewpreview version of the RoboBrain-X0
RoboBrain-X0-FlagOS🤗 FlagRelease/RoboBrain-X0-FlagOSmulti-chip version of the RoboBrain-X0
RoboBrain-X0-Dataset🤗 BAAI/RoboBrain-X0-Dataset(9.30)training dataset of RoboBrain-X0

🛠️ Setup

# Pull Docker Image.
docker pull ghcr.io/robobrain-roboos-robotic/robotics_pretrain_flagscale:cuda12.4.1-cudnn9.5.0-python3.12-torch2.6.0-time250928-ssh

# Run Container.
docker run -itd \
  --name robotics_pretrain \
  --privileged \
  --gpus all \
  --net=host \
  --ipc=host \
  --device=/dev/infiniband \
  --shm-size 512g \
  --ulimit memlock=-1 \
  -v /nfs/hcr/models/:/models \
  ghcr.io/robobrain-roboos-robotic/robotics_pretrain_flagscale:cuda12.4.1-cudnn9.5.0-python3.12-torch2.6.0-time250928-ssh

🤖 Training

cd /root/robotics_pretrain/flag-scale
conda activate flagscale-train

python run.py \
  --config-path ./examples/qwen2_5_vl/conf \
  --config-name train_3b_action_S6_subtask_agilex_eval5_demo \
  action=run

🔍 Evaluation

Note: Please refer to RoboBrain-X0 Github for the usage of RoboBrain-X0

📑 Citation

If you find this project useful, welcome to cite us.

@article{RoboBrain1.0,
    title={Robobrain: A unified brain model for robotic manipulation from abstract to concrete},
    author={Ji, Yuheng and Tan, Huajie and Shi, Jiayu and Hao, Xiaoshuai and Zhang, Yuan and Zhang, Hengyuan and Wang, Pengwei and Zhao, Mengdi and Mu, Yao and An, Pengju and others},
    journal={arXiv preprint arXiv:2502.21257},
    year={2025}
}

@article{RoboBrain2.0TechnicalReport,
    title={RoboBrain 2.0 Technical Report},
    author={BAAI RoboBrain Team},
    journal={arXiv preprint arXiv:2507.02029},
    year={2025}
}

@article{zhou2025roborefer,
    title={RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics},
    author={Zhou, Enshen and An, Jingkun and Chi, Cheng and Han, Yi and Rong, Shanyu and Zhang, Chi and Wang, Pengwei and Wang, Zhongyuan and Huang, Tiejun and Sheng, Lu and others},
    journal={arXiv preprint arXiv:2506.04308},
    year={2025}
}

@article{Reason-RFT,
    title={Reason-rft: Reinforcement fine-tuning for visual reasoning},
    author={Tan, Huajie and Ji, Yuheng and Hao, Xiaoshuai and Lin, Minglan and Wang, Pengwei and Wang, Zhongyuan and Zhang, Shanghang},
    journal={arXiv preprint arXiv:2503.20752},
    year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
ebf5ba8

0 моделей