/ Модель

Характеристики

Размер весов
6,9 ГБ
Лицензия
Apache 2.0
Архитектура
Gr00tN1d7 · dense
Базовая модель
GR00T-N1.7-3B
Опубликована
28 июл 2026

gr00t-n17-g1-dex3-nubjuki

Языковая модельИзображение, текст → action

Дообученная модель GR00T N1.7-3B для управления Unitree G1 с кистями Dex3 при захвате куклы и её перемещении в красную область.

17скачиваний за 30 дней0лайковвеса обновлены28 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

Это дообученная версия NVIDIA GR00T N1.7-3B, подготовленная CK-Sung для управления роботом Unitree G1 с кистями Dex3. Модель принимает изображения с трёх RGB-камер, текущее состояние 28 суставов и инструкцию «pick up the doll and place it in the red region.»; выдаёт целевые значения 28 суставов в радианах. Она основана на архитектуре Gr00tN1d7, использует веса в формате safetensors и предназначена для гуманоидной манипуляции.

Модель обучена на 100 эпизодах телеметрии реального робота для одной задачи: взять куклу и поместить её в красную область. Контрольная оценка на отложенных эпизодах показала среднюю открытую ошибку 0,0455 радиана, но это лишь приближённая оценка: качество работы нужно проверять в замкнутом цикле на роботе. Интерфейс обучения фиксирован: конкретный набор камер, порядок суставов и точная текстовая инструкция; для рук порядок пальцев различается, а знаки сгибания зеркально отражены.

Для запуска нужны Isaac-GR00T, указанные в README версии Transformers и PyTorch, а также доступ к gated-модели nvidia/Cosmos-Reason2-2B или заранее заполненный кэш. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • захват куклы роботом Unitree G1
  • перемещение предмета в заданную цветовую область
  • управление руками и кистями Dex3 по изображениям камер
  • генерация последовательностей целевых значений суставов для гуманоидного робота

Ограничения

Обучена для одной задачи и фиксированной схемы камер, состояния суставов и англоязычной инструкции; изменение интерфейса требует переобучения. Открытая ошибка на валидации не подтверждает качество управления в замкнутом цикле, а точность правой кисти была хуже остальных групп суставов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GR00T N1.7 — Unitree G1 + Dex3, "pick up the doll and place it in the red region"

Fine-tune of nvidia/GR00T-N1.7-3B on real-robot Unitree G1 (Dex3 hands) teleoperation data. Inference-only bundle (optimizer states excluded).

  • Dataset: carroll511/g1_dex3_nubjuki — 100 episodes / 31,803 frames / 30 fps (17.7 min total), single task
  • Checkpoint: step 10,000 (best of 2k/4k/6k/8k/10k on a held-out 10-episode val split)
  • Training: 4×A100-80GB, 7.5 h, effective batch 64, ≈22 epochs, cosine lr 1e-4, bf16, DeepSpeed ZeRO-2. VLM backbone (Cosmos-Reason2-2B) frozen; only projector + diffusion head + linear + vlln trained.

Results — open-loop on val (10 episodes, action horizon 16)

checkpointMAE (rad)MSEleft_armright_armleft_handright_hand
100000.045530.0113230.017000.048440.020640.09605
80000.046060.0113240.017740.049960.021170.09535
60000.047770.0113430.017420.053340.021460.09886
40000.051720.0129800.019430.057980.023350.10612
20000.065240.0207630.024890.071740.024590.13975

Overall MAE 0.0455 rad = 2.61°. No overfitting was observed through 10k, but improvement is exhausted (MSE at 6k/8k/10k is 0.01134/0.01132/0.01132 — statistically indistinguishable); more training steps are unlikely to help, more data will.

Hardest group is the right hand (the grasping hand) both absolutely (5.50°) and relative to how much it moves (MAE/std 0.22 vs 0.10–0.17 for the others). The left arm/hand move little in this task, so their low error reflects task difficulty, not model quality.

Open-loop error is a proxy only — real verdict requires closed-loop evaluation on the robot.

Interface contract (fixed at training time — cannot be changed without retraining)

Observation

  • 3 RGB cameras, 480×640: ego_view ← head camera (the dataset's cam_right_high), right_wrist_view ← cam_right_wrist, left_wrist_view ← cam_left_wrist. (The dataset's cam_left_high is a near-duplicate stereo twin of cam_right_high and is unused.)
  • Current joint state, 28-d float32, radians (order below)
  • Language: the exact training string "pick up the doll and place it in the red region."

Action — 28-d joint targets, radians, absolute values returned by the server (arms are modelled as deltas internally but reconstructed against the current state before returning). Chunk of 16 steps intended to run at 30 Hz (33 ms per step). Re-planning after executing about half the chunk (8 steps) is recommended.

Joint order (identical for state and action)

idxjointidxjoint
0–6left_arm: ShoulderPitch, ShoulderRoll, ShoulderYaw, Elbow, WristRoll, WristPitch, WristYaw14–20left_hand: Thumb0, Thumb1, Thumb2, Middle0, Middle1, Index0, Index1
7–13right_arm: same 7 in the same order21–27right_hand: Thumb0, Thumb1, Thumb2, Index0, Index1, Middle0, Middle1

⚠️ The two hands do not use the same finger order. Left is Thumb→Middle→Index, right is Thumb→Index→Middle. This comes from the source dataset's own metadata and the model learned it as-is. Bending sign is also mirrored: the left hand's middle/index flex toward negative values, the right hand's toward positive. Mapping both hands with one rule will silently command the wrong fingers.

Usage

python gr00t/eval/run_gr00t_server.py \
  --model-path <this repo> \
  --embodiment-tag new_embodiment \
  --port 5555

Requires Isaac-GR00T (validated at commit 65cc4a192), transformers 4.57.3, torch 2.7.1+cu128, and read access to the gated nvidia/Cosmos-Reason2-2B (or a pre-populated offline HF cache). processor_config.json / statistics.json in this repo carry the normalization and modality config, so no external config import is needed to serve the model.

Because the vision-language backbone is frozen, the deployed camera placement, field of view and exposure should match the training data; large visual shifts degrade performance sharply.

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.

Класс архитектуры
Gr00tN1d7
Ревизия весов
4c9248b

0 моделей