/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,6 ГБ
Лицензия
MIT
Архитектура
eo1 · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
28 авг 2025

EO-1-3B

Языковая модельИзображение, текст → action3 профессии

EO-1-3B — мультимодальная модель для понимания сцен и генерации действий при управлении роботами по текстовым инструкциям, изображениям и состоянию робота.

98скачиваний за 30 дней15лайковвеса обновлены14 янв 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

EO-1-3B — открытая модель класса Vision-Language-Action для восприятия окружающей обстановки, мультимодального рассуждения и управления роботами; разработчики обозначены как IPEC-COMMUNITY. Модель содержит 3,1 млрд параметров и основана на дообучении Qwen/Qwen2.5-VL-3B-Instruct. Её архитектура — единый плотный decoder-only Transformer EO1: авторегрессионное предсказание токенов объединено с непрерывным flow matching для генерации действий. Модель принимает текстовые инструкции, изображения и видео, а также состояние робота; выдаёт текст и непрерывные векторы действий. Контекст — до 128 000 токенов, библиотека — Transformers.

Модель предназначена для мультимодального понимания сцен, пространственного и временного рассуждения, планирования и управления роботами, включая задачи манипуляции. В README заявлено обучение на EO-Data1.5M, веб-данных и наборах данных для робототехники и мультимодальных задач. Для инференса также требуется LeRobot; авторы указывают ориентир около 6,5 ГБ видеопамяти. Лицензия — MIT. Результаты управления зависят от робота и среды; в приведённой карточке часть таблиц неполная, поэтому сравнения из неё не дают полной оценки качества.

Сценарии применения

  • управление роботом-манипулятором по текстовой инструкции
  • выполнение задач захвата и перемещения предметов
  • интерпретация видеопотока и состояния робота перед действием
  • пространственное рассуждение по изображениям для роботизированных задач
  • генерация последовательности действий для робота

Ограничения

Для инференса требуются Transformers и LeRobot, а также примерно 6,5 ГБ видеопамяти согласно README. Эффективность зависит от конкретного робота и среды; приведённые в карточке сравнительные таблицы неполны.

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

Interleaved Vision-Text-Action Pretraining for General Robot Control

We introduce EO-1 model, an open-source unified embodied foundation model comprising 3B parameters, trained on the carefully curated interleaved embodied dataset EO-Data1.5M, Web Multimodal Data, and Robot Control Data (AgiBotWorld, Open X-Embodiment, RoboMIND, SO100-Community, etc.). The EO-1 model adopt a single unified decoder-only transformer that integrates discrete auto-regressive decoding with continuous flow matching denoising for multimodal embodied reasoning and robot control, enabling seamless perception, planning, reasoning, and acting in single model. This work highlights the following features:

  • ⚡ Unified Architecture: A single decoder-only transformer integrating text, image, video, and actions.
  • 📚 EO-1.5M Dataset: 1.5M high-quality interleaved samples (Physical, Reasoning, Spatial, Control).
  • 🌀 Interleaved Pretraining: Seamless synergy between language and action with autoregressive + flow matching.
  • 🤖 Reasoning-Enhanced Generalization: Superior generalization capabilities with multimodal embodied reasoning and real robot control.

0. Model Architecture

EO-1 model is a Vision-Language-Action (VLA) model that adopts a single unified decoder-only transformer, equipping with discrete language-modeling head for multimodal embodied reasoning and continuous flow-matching head for robot action generation. The language instruction, image observations, robot state, and noisy action are encoded into an interleaved token sequence of tokens to be processed by the shared transformer backbone, whose weights are initialized from Qwen2.5-VL. The model is trained on interleaved vision-text-action data with a combination of flow-matching objective and next-token-prediction objective and capable of seamless embodied reasoning and acting.

Input:

Input Type:

  • Vision: Image Frames, Video
  • State: Robot Proprioception
  • Language Instruction: Text, Pointing, Bounding Box, etc.
  • Input Format:
    • Vision: Variable number of uint8 image frames or long video sequence
    • State: Floating Point
    • Language Instruction: String

Output:

Output Type(s): Actions, Language

Output Format: Continuous-value vectors, Discrete Text

1. Inference with pre-trained model

EO-1 is built entirely on 🤗 HuggingFace Transformers and Lerobot, making deployment straightforward and accessible. If your environment supports transformers and lerobot, you can load the model and run inference directly with just a few lines of code (requires ~6.5GB GPU memory). EO-1 unifies high-level embodied reasoning with low-level robot control, producing either natural language outputs or actionable robot commands.

from transformers import AutoModel, AutoProcessor
# load the model and processor
processor = AutoProcessor.from_pretrained("IPEC-COMMUNITY/EO-1-3B", trust_remote_code=True)
model = AutoModel.from_pretrained(
  "IPEC-COMMUNITY/EO-1-3B", 
  trust_remote_code=True, 
  torch_dtype=torch.bfloat16
).eval().cuda()

# prepare the model input
batch = {
    "observation.images.image": [img], # PIL.Image
    "observation.images.wrist_image": [wrist_img],
    "observation.state": [state],
    "task": ["You are a helpful physical agent equipped with both reasoning and robotic control. \
      You see the Tic-Tac-Toe board, think strategically, act logically, and block threats."]
}

# generate multimodal outputs
output = processor.generate(model, batch)
text = output.text
actions = output.action.numpy()

2. Benchmark

Mastering Diverse Manipulations on Multiple Embodiments

ModelFranka Pick-and-Place (7 Tasks)AgiBot Long-horizon Dexterity (4 Tasks)WidowX Out-of-Box (13 Tasks)Reasoning Control (4 Tasks)
$\pi_0$-fast0.6100.4490.227—
$\pi_0$0.8310.6720.6930.525
GR00T-N1.50.8570.6810.7050.617
EO-10.9350.8070.8520.831

Multi-modal Benchmark Results

ModelRoboVQAERQAEO-Bench @ SpatialEO-Bench @ TemporalOverall
Claude 3.526.735.524.034.830.3
GPT-4o (2024-11-20)47.240.035.639.340.5
Qwen2.5 VL 3B55.935.320.022.633.5
Magma 8B30.329.329.436.731.4
EO-1 (3B)58.545.536.438.944.8

Robot Control Benchmark Results

ModelLIBEROSimpler @ Google VMSimpler @ Google VASimpler @ WidowX VM
$\pi_0$0.9420.7140.7140.692
$\pi_0$-fast0.8550.4640.4640.321
GR00T-N10.939———
Magma—0.4880.4880.448
EO-10.9820.7650.7650.727

📚 3. Citation

If you find this project useful, please consider citing:

@article{eo-1,
  title={EO-1: Interleaved Vision-Text-Action Pretraining for General Robot Control},
  author={Delin Qu and Haoming Song and Qizhi Chen and Zhaoqing Chen and Xianqiang Gao and Xinyi Ye and Qi Lv and Modi Shi and Guanghui Ren and Cheng Ruan and Maoqing Yao and Haoran Yang and Jiacheng Bao and Bin Zhao and Dong Wang},
  journal={arXiv preprint},
  year={2025},
  url={https://arxiv.org/abs/2508.21112}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
EO1VisionFlowMatchingModel
Ревизия весов
fe0a015

0 моделей