/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
1,5 млрд
Размер весов
8,1 ГБ
Лицензия
MIT
Архитектура
spatialvla · dense
Базовая модель
paligemma2-3b-pt-224
Библиотека
transformers
Опубликована
26 янв 2025

spatialvla-4b-224-pt

Изображение и текст → текст3 профессии

SpatialVLA — дообученная зрительно-языковая модель для управления роботами по изображениям и текстовым инструкциям в знакомых ей сценариях.

861скачиваний за 30 дней14лайковвеса обновлены16 мар 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

SpatialVLA — модель зрительно-языкового управления роботами, разработанная исследователями Shanghai AI Laboratory, ShanghaiTech и TeleAI. Она дообучена на базе google/paligemma2-3b-pt-224 и объединяет зрительные, языковые и пространственные представления для выполнения роботизированных действий по изображению и текстовой инструкции. В метаданных указано 1,5 млрд параметров; модель распространяется в формате safetensors и рассчитана на использование через Transformers.

Модель предназначена для управления роботами в задачах, представленных в обучающих данных, включая сценарии из наборов Open X-Embodiment и RH20T. В README описаны оценки в симуляторах и на роботах, а также адаптация к новым настройкам через дообучение. Основной язык карточки — английский. Лицензия модели — MIT.

SpatialVLA не обеспечивает нулевое обобщение на новые типы роботов и конфигурации, отсутствующие в обучающих данных; для таких случаев авторы рекомендуют собрать демонстрации и дообучить модель. Для инференса в README указана потребность примерно в 8,5 ГБ памяти GPU.

Сценарии применения

  • управление роботом по изображению и текстовой команде
  • выполнение манипуляционных задач на роботах из обучающих сценариев
  • оценка политики управления роботом в симуляторе
  • адаптация роботизированного управления к новой установке через дообучение

Ограничения

Модель не обобщает без дообучения на новые типы роботов и конфигурации, отсутствующие в обучающих данных. Для инференса требуется около 8,5 ГБ памяти GPU.

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

SpatialVLA

SpatialVLA is a spatial-enhanced vision-language-action model trained on 1.1 Million real robot episodes. The code is purely huggingFace-based and concise, with efficient performance.

All SpatialVLA checkpoints, as well as our training codebase are released under an MIT License.

For full details, please read our paper and see our project page.

Model Details

Model Description

Uses

SpatialVLA relies solely on HuggingFace Transformers 🤗, making deployment extremely easy. If your environment supports transformers >= 4.47.0, you can directly use the following code to load the model and perform inference. (requires 8.5GB of GPU memory).

Direct Use

import torch
from PIL import Image
from transformers import AutoModel, AutoProcessor

model_name_or_path="IPEC-COMMUNITY/spatialvla-4b-224-pt"
processor = AutoProcessor.from_pretrained(model_name_or_path, trust_remote_code=True)

model = AutoModel.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16).eval().cuda()

image = Image.open("example.png").convert("RGB")
prompt = "What action should the robot take to pick the cup?"
inputs = processor(images=[image], text=prompt, return_tensors="pt")
generation_outputs = model.predict_action(inputs)

actions = processor.decode_actions(generation_outputs, unnorm_key="bridge_orig/1.0.0")
print(actions)

Out-of-Scope Use

SpatialVLA models do not zero-shot generalize to new (unseen) robot embodiments, or setups that are not represented in the pretraining mix; in these cases, we suggest collecting a dataset of demonstrations on the desired setup, and fine-tuning SpatialVLA models instead.

How to Get Hands Dirty with the Model

If you want to use the model for fine-tuning or pre-training, you need to clone the official repository first.

git clone https://github.com/SpatialVLA/SpatialVLA.git

, then install the required packages and download the model from the Hugging Face model hub. The VLM backbone of SpatialVLA is PaLiGemma2, which requires transformers >= 4.47.0. Hence, create a Python environment with Python >= 3.10.

conda create -n spatialvla python=3.10
conda activate spatialvla

Install packages from requirements.txt file. Note that we use a customised dlimp to support seed setting for reproducibility. If you catch any problems, please manually install the dlimp form the dlimp_custom.

pip install -r requirements.txt

Train from Scratch

SpatialVLA is pre-trained with 1.1 Million real-robot demonstrations from the OXE and RH20T dataset on a cluster of 64 A100 GPUs for abut 10 days, using a batch size of 2048. You can pre-train the model from scratch using the following command.

# torchrun
bash scripts/spatialvla_4b_pretrain/torchrun_pretrain.sh

# or in a slurm cluster
bash scripts/spatialvla_4b_pretrain/slurm_pretrain.sh

Fine-tuning

Most of our fine-tuning experiments are conducted using LoRA on 4 or 8 A100 GPUs. You can use the following scripts for full-parameter or LoRA fine-tuning. For real-world experiments with small datasets, we prefer using LoRA for fine-tuning.

# full fine-tuning
bash scripts/spatialvla_4b_finetune/finetune_full.sh

# LoRA fine-tuning
bash scripts/spatialvla_4b_finetune/finetune_lora.sh

Evaluation

  • SimplerEnv evaluation on Google Robot tasks.
  • SimplerEnv evaluation on WidowX Robot tasks.
  • LIBERO Simulation Benchmark Results.
  • Zero-shot Robot Control Evaluation on WidowX Robot.
  • Spatial Understanding Capability Evaluation.
  • Adapting to New Robot Setups on Franka Robot.

Citation

BibTeX:

@misc{qu2025spatialvlaexploringspatialrepresentations,
      title={SpatialVLA: Exploring Spatial Representations for Visual-Language-Action Model}, 
      author={Delin Qu and Haoming Song and Qizhi Chen and Yuanqi Yao and Xinyi Ye and Yan Ding and Zhigang Wang and JiaYuan Gu and Bin Zhao and Dong Wang and Xuelong Li},
      year={2025},
      eprint={2501.15830},
      archivePrefix={arXiv},
      primaryClass={cs.RO},
      url={https://arxiv.org/abs/2501.15830}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SpatialVLAForConditionalGeneration
Ревизия весов
886c455

0 моделей