/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Архитектура
mwm · dense
Библиотека
transformers
Опубликована
7 сен 2025

F1-VLA

Языковая модельИзображение, текст → action3 профессии

F1-VLA — модель зрения, языка и действий для планирования и выполнения задач роботизированной манипуляции.

36скачиваний за 30 дней32лайкавеса обновлены9 сен 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

F1-VLA — модель Vision-Language-Action для управления роботами-манипуляторами, разработанная InternRobotics. Она связывает визуальное и языковое понимание с планированием и генерацией действий и предназначена для выполнения разнообразных задач манипуляции на реальных роботах. В описании заявлены эксперты для понимания, генерации и действий, предсказание визуальной динамики для планирования, а также трёхэтапное обучение: выравнивание, предварительное обучение и адаптация.

В README приведены эксперименты на нескольких роботизированных платформах, включая Franka и ARX LIFT II, и результаты для многоцелевых, адаптационных и длинных последовательностей задач. Метаданные указывают архитектуру MWMForConditionalGeneration, плотную модель на Transformers и формат safetensors. Модель распространяется по лицензии CC BY-NC-SA 4.0; опубликованные результаты представлены авторами, а подробная инструкция по применению отсылает к официальному репозиторию F1-VLA.

Сценарии применения

  • выполнение многоэтапных задач манипуляции роботом
  • планирование действий по визуальной сцене
  • адаптация управления для робота Franka
  • выполнение длинных последовательностей действий на роботизированной платформе
  • управление манипуляцией на нескольких типах роботов

Ограничения

README не раскрывает поддерживаемые языки, требования к входным данным и точную схему выдачи действий. Приведённые показатели относятся к описанным экспериментам и платформам; лицензия запрещает коммерческое использование.

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

F1: A Vision Language Action Model BridgingUnderstanding and Generation to Actions

Paper Code Website

🚀 Key Innovations

  • 🧠 Predictive Inverse Dynamics: Visual foresight generation for planning-based control
  • 🏗️ Mixture-of-Transformer: Three specialized experts (Understanding, Generation, Action)
  • 📈 Three-Stage Training: Progressive alignment, pretraining, and adaptation

🤖 Real-World Robot Experiments

📊 Performance Summary

TaskPlatformF1π0Improvement
Multi-taskGenie-182.2%65.2%+17.0%
AdaptationFranka66.7%53.3%+13.4%
Long-horizonARX LIFT II40.0%0.0%+40.0%
Dynamic EnvARX LIFT II66.7%33.3%+33.4%

Usage

Please refer to our official repo F1-VLA.

📚 Citation

If you find our work helpful, please cite:

@article{f1_vla_2025,
  title={F1: A Vision Language Action Model Bridging Understanding and Generation to Actions},
  author={Qi Lv and Weijie Kong and Hao Li and Jia Zeng and Zherui Qiu and Delin Qu and Haoming Song and Qizhi Chen and Xiang Deng and Jiangmiao Pang},
  journal={Conference/Journal Name},
  year={2025},
  url={https://arxiv.org/abs/2509.06951}
}

License

This work is under the cc-by-nc-sa-4.0.

Acknowledgements

This repository is based on Lerobot, Any4lerobot, and VAR.

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
MWMForConditionalGeneration
Ревизия весов
7ff9ff7

0 моделей