/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
7 июн 2026

Embodied-R1.5

Языковая модельИзображение, текст → action3 профессии

Embodied-R1.5 — дообученная мультимодальная модель для пространственного рассуждения, планирования и визуальной локализации в задачах робототехники.

281скачиваний за 30 дней0лайковвеса обновлены14 июн 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

Embodied-R1.5 — мультимодальная модель для робототехники, разработанная на основе Qwen3-VL-8B-Instruct. Она объединяет пространственное рассуждение, планирование и исправление действий, а также привязку объектов и функций к координатам и траекториям. Модель принимает изображения и текстовые инструкции, а отвечает текстом или структурированными пространственными данными, включая 2D-точки и траектории с глубиной.

Модель предназначена для понимания сцен и выполнения длительных задач манипуляции: она может разбивать задачу на шаги, выбирать следующий шаг, обнаруживать ошибки и корректировать план. В README описан замкнутый цикл Planner-Grounder-Corrector и обучение на корпусе из 15 млрд токенов. Для работы предлагаются Transformers и vLLM; контекст можно задать в vLLM, но его нативная длина в предоставленных данных не указана.

Embodied-R1.5 дообучена на Qwen3-VL-8B-Instruct и распространяется под лицензией Apache 2.0. Она ориентирована на робототехнические сценарии и требует визуального входа для задач локализации; координаты и траектории следует интерпретировать в соответствии с форматом конкретного задания. Подтверждённая поддержка языков карточки — английский и китайский.

Сценарии применения

  • планирование последовательности шагов для роботизированной манипуляции
  • поиск объекта или области по текстовому описанию на изображении
  • выдача 2D-координат цели для действия робота
  • построение визуальной траектории с оценкой глубины
  • обнаружение ошибок выполнения и корректировка плана
  • оценка пространственных отношений и возможностей взаимодействия с объектами

Ограничения

Модель рассчитана на робототехнические сценарии, а не на универсальную генерацию ответов; координаты и траектории выдаются в структурированном формате, который должен соответствовать конкретной задаче.

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

Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models

"Reasoning initiates the action; Action fulfills the reasoning." — Wang Yangming (1509)

Overview

Embodied-R1.5 is a unified Embodied Foundation Model (EFM), built on Qwen3-VL-8B-Instruct, that integrates comprehensive embodied reasoning within a single architecture. Building on Embodied-R1, it leaps from a pointing specialist to a comprehensive EFM unifying three core capabilities:

  • Spatial cognition & reasoning — comprehend the semantic and spatial structure of the physical world, including static geometric relations and dynamic interaction possibilities.
  • Task planning & correction — cover the full task life cycle: long-horizon decomposition, next-step planning, process detection, error localization, and correction.
  • Embodied pointing & location — ground high-level reasoning in coordinates and trajectories, covering referring expression grounding, region-level localization, functional (affordance) grounding, and visual trace generation.

Trained on a 15B-token corpus with a multi-task balanced RL recipe, it further drives a Planner-Grounder-Corrector (PGC) closed-loop framework where one model acts as planner, grounder, and corrector to autonomously complete long-horizon real-world tasks.

Output Conventions

Embodied-R1.5 follows the Qwen3-VL chat format and outputs structured answers inside <answer>...</answer> tags. The supported task types and their answer formats are:

Task TypeAnswer Format (inside <answer>)
multiple choiceA
numerical3.14
open-endedfree text
math$$-\dfrac{3}{2}$$
spatial grounding{"boxes": [35, 227, 437, 932]}
point` ```json
[{"point_2d": [230, 138]}]
``` `
trace` ```json
[{"point_2d": [624, 469]}, ...]
``` `
trace_3d` ```json
[{"point_2d": [463, 599], "depth": 1.08}, ...]
``` `

Coordinate & unit conventions. All points (point_2d) and boxes are normalized to the [0, 1000] range, regardless of the original image resolution. For trace_3d, the depth value is in meters.

Quick Start

from transformers import AutoModelForImageTextToText, AutoProcessor
from PIL import Image

model_id = "IffYuan/Embodied-R1.5"
model = AutoModelForImageTextToText.from_pretrained(
    model_id, torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_id)

image = Image.open("scene.jpg")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "You are a robot performing manipulation tasks. "
                                     "The task instruction is: move the blue cube on top of the yellow cube. "
                                     "Use 2D points to mark the target location."},
        ],
    }
]

text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], images=[image], return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=512)
print(processor.batch_decode(out, skip_special_tokens=True)[0])

The model reasons over the visual observation and emits its final decision within an <answer> tag, e.g. <answer>[{"point_2d": [750, 748]}]</answer>.

Inference with vLLM (Recommended)

For higher throughput, serve the model with vLLM:

vllm serve IffYuan/Embodied-R1.5 \
  --served-model-name "Embodied-R1.5" \
  --tensor-parallel-size 1 \
  --mm-encoder-tp-mode data \
  --gpu-memory-utilization 0.7 \
  --async-scheduling \
  --media-io-kwargs '{"video": {"num_frames": 32}, "image": {"max_num": 32}}' \
  --max_model_len 20000 \
  --limit-mm-per-prompt '{"image": 8, "video": 1}' \
  --host 0.0.0.0 --port 22002

Evaluation

For benchmark evaluation, see EmbodiedEvalKit, an evaluation framework covering 25+ embodied benchmarks.

Training & Data

Embodied-R1.5 is trained in two stages: SFT (LLaMA-Factory) followed by RFT (EasyR1). Full training scripts are available in the GitHub repository. Datasets are released in the Embodied-R1.5 HuggingFace collection.

Citation

If you find Embodied-R1.5 useful in your research, please cite:

@article{yuan2026embodiedr15,
  title={Embodied-R1.5: Evolving Physical Intelligence via Embodied Foundation Models},
  author={Yuan, Yifu and Huang, Yaoting and Yao, Xianze and Li, Yutong and Zhang, Shuoheng and Han, Linqi and Li, Pengyi and Sun, Jiangeng and Jia, Wenting and Zhao Zhang and Liu, Yuhao and Liao, Ruihao and Hu, Yucheng and Wu, Qiyu and Li, Yuxiao and Dong, Zibin and Ni, Fei and Zheng, Yan and Gu, Shuyang and Ma, Yi and Tang, Hongyao and Hu, Han and Hao, Jianye},
  journal={arXiv preprint},
  year={2026}
}

@article{yuan2025embodied,
  title={Embodied-R1: Reinforced Embodied Reasoning for General Robotic Manipulation},
  author={Yuan, Yifu and Cui, Haiqin and Huang, Yaoting and Chen, Yibin and Ni, Fei and Dong, Zibin and Li, Pengyi and Zheng, Yan and Hao, Jianye},
  journal={ICLR 2026},
  year={2025}
}

License

Released under the Apache 2.0 license.

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
Qwen3VLForConditionalGeneration
Ревизия весов
c6765aa

0 моделей