/ Модель

Характеристики

Архитектура
vpp2 · dense
Базовая модель
Wan2.1-I2V-14B-480P
Опубликована
8 окт 2026

VPP2

Языковая модельИзображение, текст → action

VPP2 предсказывает видео по исходному изображению и предоставляет веса для обучения и оценки роботизированных политик на RoboDojo и LIBERO.

76скачиваний за 30 дней7лайковвеса обновлены10 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

VPP2 — модель предсказания видео и управления роботами, опубликованная как официальный набор весов для Video Prediction Policy 2. В репозитории представлены видеочекпойнты для предсказания без дообучения, а также пары весов для обучения и оценки политик на RoboDojo и LIBERO. Модель основана на дообученной Wan2.1-I2V-14B-480P и использует её общие VAE, CLIP и UMT5 компоненты.

Видеочекпойнты предсказывают последовательность кадров по исходному изображению; варианты Stage-1 и Stage-2 рассчитаны соответственно на 49 и 17 кадров. В RoboDojo и LIBERO веса видео сочетаются с весами действий для обучения и оценки политик управления роботом. Карточка перечисляет эти сценарии и настройки оценки, но не сообщает лицензию, поэтому условия использования по доступным сведениям определить нельзя.

Сценарии применения

  • предсказание будущих кадров по изображению для робототехнических сценариев
  • инициализация совместного обучения видео и действий в RoboDojo
  • оценка роботизированной политики на RoboDojo
  • обучение и оценка политик на LIBERO, LIBERO-OOD и LIBERO-PRO

Ограничения

Качество предсказаний и управления зависит от соответствующего набора весов, статистик нормализации и конфигурации бенчмарка. Лицензия и условия использования в карточке не приведены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Video Prediction Policy 2: Predict Better, Act Better

Official VPP2 weights for zero-shot video prediction, RoboDojo and LIBERO.

Paper · Code · Project page · ModelScope

Model weights

CheckpointPathUse
VPP2 Stage-1 Video (49 frames)checkpoints_video/vpp2-video-stage1-49f.pthZero-shot image-to-video prediction
VPP2 Stage-2 Video (17 frames)checkpoints_video/vpp2-video-stage2-17f.pthZero-shot image-to-video prediction
RoboDojo history-conditioned Video-10kcheckpoints/initialization/robodojo_his10k.ptJoint + Action2B training initializer
RoboDojo joint Video-100kcheckpoints/joint2b_s100000/video.ptPaired RoboDojo evaluation
RoboDojo Action2B-100kcheckpoints/joint2b_s100000/action.ptPaired RoboDojo evaluation
LIBERO Video-10kcheckpoints/libero/video_step010000.ptAction training and evaluation
LIBERO Action-30kcheckpoints/libero/action_step030000.ptLIBERO, LIBERO-OOD and LIBERO-PRO evaluation

Shared VAE, CLIP, UMT5 and tokenizer assets are under checkpoints/Wan2.1-I2V-14B-480P/. Each policy pair includes its manifest and normalization statistics. Keep each pair together.

Download

Install the Hugging Face CLI:

python -m pip install -U huggingface_hub

Each command downloads the root config.json, which lists the released checkpoints, video frame counts and inference defaults, together with the selected weights and shared Wan encoders.

Stage-1 video

Use --num-frames 49.

hf download Haodong082399/VPP2 --local-dir weights \
  --include 'config.json' \
  --include 'checkpoints_video/vpp2-video-stage1-49f.pth' \
  --include 'checkpoints/Wan2.1-I2V-14B-480P/**'

Stage-2 video

Use --num-frames 17.

hf download Haodong082399/VPP2 --local-dir weights \
  --include 'config.json' \
  --include 'checkpoints_video/vpp2-video-stage2-17f.pth' \
  --include 'checkpoints/Wan2.1-I2V-14B-480P/**'

RoboDojo training

Use Video-10k to initialize joint Video + Action2B training.

hf download Haodong082399/VPP2 --local-dir weights \
  --include 'config.json' \
  --include 'checkpoints/initialization/robodojo_his10k.pt' \
  --include 'checkpoints/Wan2.1-I2V-14B-480P/**'

RoboDojo evaluation

Download the paired Video-100k and Action2B-100k weights with their normalization statistics.

hf download Haodong082399/VPP2 --local-dir weights \
  --include 'config.json' \
  --include 'checkpoints/joint2b_s100000/**' \
  --include 'checkpoints/Wan2.1-I2V-14B-480P/**'

LIBERO

Use the same Video-10k and Action-30k pair for LIBERO, LIBERO-OOD and LIBERO-PRO.

hf download Haodong082399/VPP2 --local-dir weights \
  --include 'config.json' \
  --include 'checkpoints/libero/**' \
  --include 'checkpoints/Wan2.1-I2V-14B-480P/**'

Both standalone video checkpoints use 30 denoising steps, CFG=4 and sigma shift 3. Follow the video prediction guide for image preparation and inference, or the RoboDojo and LIBERO guides for policy training and evaluation.

All weights

To download the complete repository, including config.json:

hf download Haodong082399/VPP2 --local-dir weights

Evaluation settings

BenchmarkCheckpoint pairDenoisingAction horizon / execution
RoboDojoVideo-100k + Action2B-100k10 Euler steps, shift 132 / 24
LIBERO / OOD / PROVideo-10k + Action-30k10 Euler steps, shift 532 / 10

RoboDojo uses its EE16 z-score statistics; LIBERO uses its own 7D action min/max statistics. Use each benchmark's configuration and simulator setup.

Citation

See CITATION.bib for the paper citation.

Licenses

Shared Wan assets retain their upstream license in checkpoints/Wan2.1-I2V-14B-480P/LICENSE.txt. The official implementation has its own code license.

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
04824dd

0 моделей