/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-2B-Instruct
Опубликована
23 июн 2026

EgoSteer-3B-Base

Языковая модельИзображение, текст → action3 профессии

Базовая зрительно-языковая модель EgoSteer связывает инструкции и видео от первого лица с последовательностями действий робота для ловкой манипуляции.

52скачиваний за 30 дней10лайковвеса обновлены6 окт 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

EgoSteer-3B-Base — базовая предобученная модель управления роботами от авторов системы EgoSteer. Она объединяет зрительно-языковую основу Qwen3-VL-2B-Instruct и эксперт по действиям на основе flow matching; при обучении также использовался прогноз будущих визуальных признаков по замороженной модели DINOv3 ViT-L/16. Чекпойнт соответствует EgoSteer-9.6K-PT и обучен на 9,6 тыс. часов видео от первого лица, чтобы связать человеческие наблюдения и действия с пространством действий робота.

Модель принимает текстовую инструкцию, историю из шести RGB-кадров с головной камеры размером 384 × 384 и данные проприоцепции, а выдаёт последовательность будущих действий для ловкой манипуляции. Для инференса требуется кодовая база EgoSteer и согласованные с конфигурацией модели форматы наблюдений и нормализация. Модель предназначена для исследований и как отправная точка для дообучения под конкретное тело робота; сама по себе она не настроена на управляющий цикл определённого робота, а действия перед выполнением на оборудовании нужно проверять. Лицензия — Apache-2.0.

Сценарии применения

  • дообучение политики управления под конкретного робота
  • управление ловкой манипуляцией по текстовой инструкции и видео с камеры
  • адаптация человеческих демонстраций от первого лица к действиям робота
  • исследование моделей vision-language-action и world-action

Ограничения

Базовый чекпойнт не настроен под управляющий цикл конкретного робота: для реального применения нужны дообучение и соответствие форматов камеры, наблюдений, действий и нормализатора. Перед выполнением на оборудовании выходы следует проверять на безопасность.

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

EgoSteer-3B-Base

EgoSteer-3B-Base is the base world-model-enhanced Vision-Language-Action (VLA) policy from EgoSteer: An Open-Source Full-Stack System Towards Steerable Dexterous Manipulation from Egocentric Videos. It is built on a Qwen3-VL backbone with a flow-matching action expert and a DINOv3 latent future-prediction objective used only during training, and learns a unified human-to-robot action space from large-scale egocentric human videos.

This is the pretrained base checkpoint, corresponding to EgoSteer-9.6K-PT in the paper. For a robot-ready generalist, see EgoSteer-3B-RealMan.

Model Description

Our full-stack system integrates EgoSmith (data pipeline), Robot Stack (deployment), and EgoSteer (policy) to learn from 9.6k hours of large-scale egocentric human videos and facilitate data-efficient real-robot post-training, enabling steerable dexterous manipulation across 45 evaluated tasks alongside few-shot adaptation to complex, long-horizon tasks. EgoSteer-3B-Base is the pretrained base and a starting point for data-efficient post-training on real robots.

ComponentDescription
BackboneQwen3-VL-2B-Instruct
Action expertFlow-matching (DiT / AdaLN) expert reusing the backbone KV prefix
World model expertRegresses future-frame features from a frozen DINOv3 ViT-L/16 teacher, training only
Action spaceUnified human-to-robot space based on wrist poses and fingertip keypoints
Total parameters~3B

Inputs & Outputs

The policy maps a language instruction plus RGB and proprioception to a chunk of future actions. Keep these consistent with the bundled config.yaml and normalizer.pkl.

Specification
InstructionA natural-language task description
CamerasSingle RGB — head, 384 × 384, 6-frame history (stride 30 over a 30 fps base)
IntrinsicsPer-camera [fx, fy, cx, cy] (head) — required. By default rendered into the VLM prompt as text (camera_intrinsic_mode: text); rescaled to match the resized image
Proprioception (state)48-D: bimanual wrist poses (2 × [3 translation + 6D rotation] = 18), expressed in the camera frame + fingertip keypoints (2 hands × 5 fingertips × 3D = 30), expressed in wrist frame, 6-frame history
Action output48-D relative action in the same layout as the state, and relative to the current state, predicted as a 32-step action chunk
NormalizationState/action normalized with the bundled normalizer.pkl (relative action space) — required for inference and fine-tuning

Model Variants

Repository Contents

FileDescription
model_bf16.ptbf16 model weights
config.yamlPretraining config, for rebuilding the network at eval and inference. Fine-tuning uses your own config, weights only
normalizer-relative-10k-pretrain/normalizer.pklState/action normalizer calculated on 9.6k hours of egocentric human videos in relative action space

⚠️ How to Use

This is a custom policy, loaded and run with the EgoSteer codebase using the bundled config.yaml to rebuild the network.

Pretrained Backbones

EgoSteer depends on two pretrained backbones; download them ahead of time:

Training Data

EgoSteer-3B-Base is pretrained on 9.6k hours of egocentric human videos, framed in a unified human-to-robot action space (wrist poses + fingertip keypoints). The EgoSteer-3B-RealMan variant is additionally post-trained on real-world demonstrations collected on the RealMan robot. See the paper and project page for details.

Intended Use & Limitations

  • Intended use: research on vision-language-action models, world action models, and dexterous manipulation; a starting point for fine-tuning on your own embodiment.
  • Limitations: the base checkpoint is not tuned to any single robot's control loop; real-robot deployment requires post-training and matching the observation/action format (camera setup, normalizer) the policy was trained with. Outputs should be validated for safety before execution on hardware.

Citation

@misc{zhong2026egosteeropensourcefullstacksteerable,
  title={EgoSteer: An Open-Source Full-Stack System Towards Steerable Dexterous Manipulation from Egocentric Videos},
  author={Yifan Zhong and Zhang Chen and Tianrui Guan and Fanlian Zeng and Ka Nam Lui and Yuyao Ye and Tingrui Zhang and Jiayi Li and Tianjia He and Wenjie Lou and Ruilin Yan and Xinhao Ji and Guangyu Zhao and Jiayuan Zhang and Wenxi Xu and Chengdong Ma and Yuanpei Chen and Yaodong Yang},
  year={2026},
  eprint={2607.09701},
  archivePrefix={arXiv},
  primaryClass={cs.RO},
  url={https://arxiv.org/abs/2607.09701},
}

License

Released under the Apache 2.0 license.

Acknowledgements

Built on Qwen3-VL and DINOv3.

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
54e2801

0 моделей