/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Базовая модель
Qwen3.5-2B
Опубликована
4 июл 2026

InternVLA-A1.5-base

Языковая модельИзображение, текст → action3 профессии

Базовая зрительно-языковая модель управления роботом для понимания сцены и генерации управляющих действий при манипуляциях.

141скачиваний за 30 дней10лайковвеса 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-base — базовая контрольная точка модели управления роботом InternRobotics, объединяющая зрительно-языковое понимание, прогнозирование будущей динамики и генерацию действий. Она построена на мультимодальной основе Qwen/Qwen3.5-2B и предназначена для дальнейшего дообучения и оценки роботизированных политик, в частности для манипуляций в симуляции и реальном мире.

Модель принимает визуальный и языковой контекст, а также состояние робота и предсказывает непрерывные фрагменты управляющих действий: размер фрагмента — 50 шагов, размерность состояния и действия — до 32, разрешение изображений — 224 × 224. Для генерации действий используется экспертный модуль с flow matching; при обучении прогноз будущей динамики дополнительно поддерживается видеомоделью WAN2.2-5B, которая не нужна при инференсе. В README приведены результаты серии на нескольких бенчмарках, но для воспроизведения результатов дообучения указаны специализированные контрольные точки.

Модель выпущена по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов на тех же условиях. Это базовая точка для настройки и оценки, поэтому качество в конкретной робототехнической задаче зависит от дообучения, среды и конфигурации робота.

Сценарии применения

  • дообучение политики робота для задач манипуляции
  • генерация непрерывных управляющих действий по изображению и инструкции
  • оценка роботизированных политик в симуляционных бенчмарках
  • адаптация управления роботом к новым объектам и составным задачам

Ограничения

Это базовая контрольная точка, предназначенная для дальнейшего дообучения и оценки; результаты специализированных бенчмарков относятся к соответствующим дообученным версиям. 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-base, the base checkpoint for downstream fine-tuning and evaluation. The model uses learnable foresight tokens to query task-relevant future dynamics under the supervision of a frozen WAN2.2-5B video generation model during training. The video branch is discarded at inference, keeping deployment practical for real-time robot control.

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
  • Backbone: Qwen/Qwen3.5-2B
  • Policy type: internvla_a1_5
  • Action head: unified action expert with flow-matching action generation
  • Action chunk size: 50
  • State/action dimension: up to 32
  • Image resolution: 224 x 224
  • Training auxiliary model: WAN2.2-5B video generation model for latent foresight supervision
  • License: CC BY-NC-SA 4.0

Usage

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

The released training scripts use this checkpoint as the default pretrained path:

--policy.pretrained_path=InternRobotics/InternVLA-A1.5-base

For a quick LeRobot-format fine-tuning smoke test:

git clone https://github.com/InternRobotics/InternVLA-A-series.git
cd InternVLA-A-series
bash launch/internvla_a15_finetune.sh lerobot/pusht abs false

For benchmark workflows, please see:

Demonstrations

InternVLA-A1.5 delivers strong performance across broad simulation benchmarks and real-world manipulation settings. The table below reports the InternVLA-A1.5 series results from the project release; benchmark-specific checkpoints should be used when reproducing fine-tuned benchmark numbers.

RoboTwin 2.0LIBEROLIBERO-PlusSimplerEnvDOMINOEBench
93.298.984.880.827.735.2

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 Artis, Yang, Yuyin and Tian, Yang and Cao, Jiafei and Zhu, Hongrui 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}
}

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
325331b

0 моделей