/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Базовая модель
InternVLA-A1.5-RoboTwin
Опубликована
4 июл 2026

InternVLA-A1.5-DOMINO

Языковая модельИзображение, текст → action3 профессии

Политика InternRobotics для визуально-языкового управления роботом и динамических манипуляций, дообученная для бенчмарка DOMINO.

24скачиваний за 30 дней8лайковвеса обновлены16 июл 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-A1.5-DOMINO — политика управления роботом от InternRobotics, настроенная для динамических манипуляционных задач бенчмарка DOMINO. Модель объединяет зрительно-языковое понимание, прогнозирование будущей динамики и генерацию действий; она дообучена на обучающем разбиении DOMINO ALOHA-AgileX Level-1 и оценивалась на чистых наборах Level-1 DOMINO.

В основе лежит мультимодальный Qwen3.5-2B, к которому добавлен облегчённый эксперт действий. Модель принимает визуальный и языковой контекст и выдаёт непрерывные фрагменты действий с помощью flow matching; на этапе инференса видеоветвь не используется. Размер изображений — 224 × 224, размерность состояния и действий — до 32. Для обучения прогноз будущей динамики задавался с помощью замороженной видеомодели WAN2.2-5B. Лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях указанных ограничений, включая некоммерческое распространение.

Модель предназначена для оценки и применения в динамических манипуляционных сценариях, близких к DOMINO. В указанной оценке DOMINO SFT достигла 29,3% успешных эпизодов и манипуляционного балла 42,5. Результаты относятся к описанному бенчмарку и сами по себе не подтверждают надёжность на других роботах или в реальных условиях.

Сценарии применения

  • управление роботом при динамических манипуляциях в DOMINO
  • оценка политики на наборах DOMINO ALOHA-AgileX Level-1
  • генерация непрерывных фрагментов действий по визуальному и языковому контексту

Ограничения

Оценочные результаты приведены для DOMINO SFT на чистых наборах Level-1 и не устанавливают качество за пределами этого бенчмарка. Лицензия CC BY-NC-SA 4.0 ограничивает 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-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional Generalization

Paper Code Models Models Data Website

InternVLA-A1.5 unifies vision-language understanding, latent visual foresight, and action generation in one robot policy. It builds on a native Qwen3.5-2B VLM backbone, preserves semantic learning through VQA and subtask prediction, and attaches a lightweight unified action expert for continuous control.

This repository hosts InternVLA-A1.5-DOMINO, the checkpoint fine-tuned for DOMINO dynamic manipulation evaluation. It corresponds to the DOMINO SFT result reported for InternVLA-A1.5, where the model is adapted on the DOMINO ALOHA-AgileX Level-1 training split and evaluated on the clean Level-1 DOMINO suites.

Covering base and benchmark-specific checkpoints, we release the InternVLA-A1.5 series:

🔑 Key Features

  • 🔮 The Core: Attaches a lightweight unified action expert to a native Qwen3.5-2B VLM backbone through shared full-attention layers, while preserving modality-specific Gated DeltaNet processing.
  • 🚀 The Foresight: Uses learnable foresight tokens to query task-relevant future dynamics from the shared multimodal context, supervised by a frozen WAN2.2-5B video generation model during training.
  • ⚡ The Output: Discards the video branch at inference and predicts continuous action chunks through flow matching, keeping deployment latency practical.

Model Details

  • Model type: Vision-Language-Action robot policy
  • Base checkpoints: InternRobotics/InternVLA-A1.5-base and InternRobotics/InternVLA-A1.5-RoboTwin
  • Backbone: Qwen/Qwen3.5-2B
  • Policy type: internvla_a1_5
  • Fine-tuning target: DOMINO ALOHA-AgileX Level-1 training split
  • Evaluation scope: DOMINO SFT / dynamic-to-dynamic evaluation
  • Action head: unified action expert with flow-matching action generation
  • State/action dimension: up to 32
  • Image resolution: 224 x 224
  • License: CC BY-NC-SA 4.0

Usage

Please refer to our official repo InternVLA-A-series for installation, training, fine-tuning, and evaluation.

For DOMINO fine-tuned evaluation:

git clone https://github.com/InternRobotics/InternVLA-A-series.git
cd InternVLA-A-series
bash evaluation/DOMINO/eval.sh \
  InternRobotics/InternVLA-A1.5-DOMINO \
  outputs/domino/internvla_a1_5_domino_sft \
  demo_clean_dynamic \
  8 \
  fm \
  50 \
  100 \
  100000 \
  10 \
  abs \
  float32 \
  10

For benchmark workflows, please see:

Demonstrations

InternVLA-A1.5-DOMINO corresponds to the DOMINO SFT result. SR is the primary success-rate metric, and MS denotes manipulation score.

DOMINO SettingSR (%) ↑MS ↑
Fine-tuned / SFT dynamic manipulation29.342.5

For reference, the RoboTwin-tuned checkpoint reaches 27.7 SR and 39.8 MS in the DOMINO zero-shot setting.

License and Citation

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

@article{internvla_a15,
  title={InternVLA-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional Generalization},
  author={Ma, Haoxiang and Cai, Junhao and Xu, Xiaoxu and Li, Hao and Yang, Yuyin and Tian, Yang and Cao, Jiafei and Hongrui Zhu and Zherui Qiu and Zhaxizhuoma and Yuqiang Yang and Jiaqi Peng and Xueyuan Wei and Yangkun Zhu and Jiahao Jiang and Xing Gao and Hanqing Wang and Feng Yuan and Kailin Li and Xueyue Zhu and Tai Wang and Yan Ding and Jiangmiao Pang and Jia Zeng and Jingjing Zhang and Bowen Zhou and Yao Mu and Chunhua Shen and Weinan Zhang},
  journal={arXiv preprint arXiv:2607.04988},
  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
5c13efb

0 моделей