/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Базовая модель
Qwen3-VL-2B-Instruct
Опубликована
5 янв 2026

InternVLA-A1-3B

Языковая модельИзображение, текст → action3 профессии

InternVLA-A1-3B — дообученная мультимодальная модель для понимания сцены, прогнозирования динамики и управления роботизированными манипуляциями.

99скачиваний за 30 дней40лайковвеса обновлены27 фев 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

InternVLA-A1-3B — модель для управления роботизированными манипуляциями, разработанная командой InternRobotics. Она объединяет понимание сцен, прогнозирование динамики и генерацию действий в архитектуре Mixture-of-Transformers, чтобы робот мог учитывать визуальный контекст и адаптировать движения. Версия 3B обучена на разнородных данных: реальных роботах, симуляциях и видео от первого лица; карточка указывает дообучение базовой Qwen/Qwen3-VL-2B-Instruct.

Модель предназначена для статических и динамических задач захвата и манипуляции, включая оценку будущего состояния сцены перед выполнением действия. В README также приведены результаты на симуляционном RoboTwin 2.0: средний успех 89,40% на простых и 89,64% на сложных задачах, усреднённый по 50 задачам. Базовая модель поддерживает анализ изображений и видео; отдельные сведения о контексте и языковой поддержке этой версии не приведены.

Модель опубликована в формате safetensors под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты демонстраций и бенчмарка не гарантируют качество на иных роботах, наборах действий или реальных условиях; перед практическим применением потребуется интеграция с конкретным роботом и проверка безопасности управления.

Сценарии применения

  • управление захватом предметов роботом
  • выполнение манипуляций в динамичной сцене
  • планирование движений по изображению сцены
  • проверка роботизированных манипуляций в симуляции RoboTwin 2.0

Ограничения

Результаты на RoboTwin 2.0 не гарантируют качество в других средах и на реальных роботах; необходима проверка для конкретной системы управления. Лицензия CC BY-NC-SA 4.0 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

InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation

Paper Code Data Website

InternVLA-A1 integrates understanding, generation, and action experts via a Mixture-of-Transformers (MoT) framework, which synergizes MLLMs' semantic reasoning with world-model-style dynamics prediction to guide action execution.

Building upon InternVL3 and Qwen3-VL, we instantiate InternVLA-A1 at 2B and 3B parameter scales. Covering different model scales and pre-training data configurations, we release the InternVLA-A1 series:

🔑 Key Features

  • 🔮 The Core: Synergizes MLLM's semantic understanding with world-model-style dynamic prediction, enabling it to "imagine" the future and guide adaptive actions.
  • 🚀 The Fuel: Enables joint training on heterogeneous data sources over real-world robot data, synthetic simulation data, and egocentric human videos.
  • ⚡ The Output: Tackles highly dynamic scenarios with effortless mastery.

Usage

Please refer to our official repo InternVLA-A1.

Demonstrations

InternVLA-A1 exhibits consistent robustness across static manipulation, dynamic manipulation, and simulation benchmarks, especially demonstrating remarkable superiority in dynamic scenarios.

⚡ Dynamic Manipulation Tasks

🤖 Static Manipulation Tasks

📊 Simulation benchmark

Metricpi0pi0.5InternVLA-A1-3B
Avg. Success (Easy)79.98%86.76%89.40%
Avg. Success (Hard)79.50%86.96%89.64%

InternVLA-A1 achieves State-of-the-art results on RoboTwin 2.0 Benchmark (averaged over 50 tasks).

License and Citation

All the code within this repo are under CC BY-NC-SA 4.0. Please consider citing our project if it helps your research.

@article{internvla_a1,
  title={InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation},
  author={Cai, Junhao and Cai, Zetao and Cao, Jiafei and Chen, Yilun and He, Zeyu and Jiang, Lei and Li, Hang and Li, Hengjie and Li, Yang and Liu, Yufei and others},
  journal={arXiv preprint arXiv:2601.02456},
  year={2026}
}

Acknowledgments

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
08cf716

0 моделей