/ Модель

Характеристики

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

InternVLA-A1.5-RoboTwin

Языковая модельИзображение, текст → action3 профессии

Политика управления роботом для двухручных манипуляций, дообученная на RoboTwin 2.0 и способная генерировать непрерывные действия по визуально-языковому контексту.

43скачиваний за 30 дней7лайковвеса 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-RoboTwin — модель управления роботом, разработанная командой InternRobotics. Она объединяет визуально-языковое понимание, прогнозирование будущей динамики и генерацию действий в единой политике для манипуляций двумя руками. Это чекпойнт серии InternVLA-A1.5, дообученный на RoboTwin 2.0 для робота ALOHA-AgileX; его также оценивают без обучения на DOMINO для переноса из статических в динамические сценарии.

В основе лежит мультимодальный Qwen3.5-2B с лёгким экспертом действий, который предсказывает непрерывные последовательности действий методом flow matching. Для обучения используются обучаемые токены прогнозирования будущего, а ветвь генерации видео при выводе отключается. Модель принимает изображения размером 224 × 224 и обрабатывает состояние и действия размерностью до 32. Репозиторий содержит веса в формате safetensors.

В опубликованных результатах модель показывает 93,2 среднего балла на RoboTwin 2.0 и 27,7% успешных выполнений в режиме переноса на динамические манипуляции DOMINO. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий распространения с указанием авторства и на тех же условиях.

Сценарии применения

  • управление двухручными манипуляциями в RoboTwin 2.0
  • оценка переноса навыков манипуляции со статических на динамические сцены DOMINO
  • генерация последовательностей непрерывных действий для робота ALOHA-AgileX
  • исследование визуально-языкового управления роботами

Ограничения

Модель настроена для RoboTwin 2.0 и робота ALOHA-AgileX, поэтому её применимость к другим роботам и задачам требует отдельной проверки. Лицензия CC BY-NC-SA 4.0 не допускает 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-RoboTwin, the checkpoint fine-tuned from InternVLA-A1.5-base on RoboTwin 2.0. It is intended for RoboTwin 2.0 bimanual manipulation evaluation and for static-to-dynamic zero-shot evaluation on DOMINO, where the same RoboTwin-tuned checkpoint is evaluated without DOMINO training data.

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 checkpoint: InternRobotics/InternVLA-A1.5-base
  • Backbone: Qwen/Qwen3.5-2B
  • Policy type: internvla_a1_5
  • Fine-tuning target: RoboTwin 2.0, ALOHA-AgileX embodiment
  • Evaluation scope: RoboTwin 2.0 and DOMINO zero-shot
  • 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 RoboTwin 2.0 evaluation:

git clone https://github.com/InternRobotics/InternVLA-A-series.git
cd InternVLA-A-series
bash evaluation/RoboTwin/eval.sh InternRobotics/InternVLA-A1.5-RoboTwin outputs/robotwin/internvla_a1_5 demo_clean 0 abs 50

For DOMINO zero-shot evaluation with the RoboTwin checkpoint:

bash evaluation/DOMINO/eval.sh \
  InternRobotics/InternVLA-A1.5-RoboTwin \
  outputs/domino/internvla_a1_5_robotwin_zero_shot \
  demo_clean_dynamic \
  8 \
  fm \
  50 \
  100 \
  100000 \
  10 \
  abs \
  float32 \
  10

For benchmark workflows, please see:

Demonstrations

InternVLA-A1.5-RoboTwin corresponds to the RoboTwin 2.0 benchmark result and the DOMINO static-to-dynamic zero-shot result.

RoboTwin 2.0 CleanRoboTwin 2.0 Rand.RoboTwin 2.0 Avg.
93.393.093.2
DOMINO SettingSR (%) ↑MS ↑
Zero-shot to dynamic manipulation27.739.8

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 Zhu, Hongrui wagons and Qiu, Zherui and Zhaxizhuoma and Yang, Yuqiang and Peng, Jiaqi and Wei, Xueyuan and Zhu, Yangkun and Jiang, Jiahao and Gao, Xing and Wang, Hanqing and Yuan, Feng and Li, Kailin and Zhu, Xueyue and Wang, Tai and Ding, Yan and Pang, Jiangmiao and Zeng, Jia and Zhang, Jingjing and Bowen, Zhou and Mu, Yao and Shen, Chunhua and Zhang, Weinan},
  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
af0d0e2

0 моделей