/ Модель

Характеристики

Лицензия
CC BY-NC-SA 4.0
Опубликована
16 сен 2025

InternVLA-M1-Pretrain-RT-1-Bridge

Языковая модельИзображение, текст → action3 профессии

Сквозная модель зрения, языка и действий для создания и исследования универсальных роботизированных политик.

44скачиваний за 30 дней15лайковвеса обновлены24 ноя 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

InternVLA-M1-Pretrain-RT-1-Bridge — контрольная точка фреймворка InternVLA-M1 с открытым исходным кодом для сквозного управления роботами на основе зрения, языка и действий. Разработчики обучали контрольные точки в этом репозитории на наборах данных RT-1 и Bridge.

Модель предназначена для создания и исследования универсальных роботизированных политик. Она принимает зрительные и языковые входы и формирует действия для робота. В метаданных указан формат PyTorch и лицензия Creative Commons Attribution-NonCommercial-ShareAlike 4.0; коммерческое использование не разрешено условиями этой лицензии.

Сценарии применения

  • управление роботом по визуальному наблюдению и языковой команде
  • обучение универсальной роботизированной политики на данных RT-1 и Bridge
  • исследование моделей vision-language-action для робототехники

Ограничения

Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Данных о поддерживаемых роботах и аппаратных требованиях в предоставленной карточке нет.

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

Model Card for InternVLA-M1-Pretrain-RT-1-Bridge

Description:

InternVLA-M1 is an open-source, end-to-end vision–language–action (VLA) framework for building and researching generalist robot policies. The checkpoints in this repository were trained on the RT-1 and Bridge datasets.

image/png

Quick Start

# ===== system2 demo =====
from InternVLA.model.framework.M1 import InternVLA_M1
from PIL import Image
import requests
from io import BytesIO

def load_image_from_url(url: str) -> Image.Image:
    resp = requests.get(url, timeout=15)
    resp.raise_for_status()
    img = Image.open(BytesIO(resp.content)).convert("RGB")
    return img


saved_model_path = "/PATH//checkpoints/steps_50000_pytorch_model.pt"
internVLA_M1 = InternVLA_M1.from_pretrained(
    saved_model_path
)

image_url="https://github.com/InternRobotics/InternVLA-M1/blob/InternVLA-M1/assets/table.jpeg"
image = load_image_from_url(image_url)
question = "give the bbox for the apple."
response = internVLA_M1.chat_with_M1(image, question)

# ===== predict_action demo =====
# constuct input: batch size = 1, two views
view1 = load_image_from_url(image_url)
view2 = view1.copy()
batch_images = [[view1]]  # List[List[PIL.Image]]
instructions = ["pick up the apple and place it on the plate."]

if torch.cuda.is_available():
    internVLA_M1 = internVLA_M1.to("cuda")

# action predict
pred = internVLA_M1.predict_action(
    batch_images=batch_images,
    instructions=instructions,
    cfg_scale=1.5,
    use_ddim=True,
    num_ddim_steps=10,
)
normalized_actions = pred["normalized_actions"]  # [B, T, action_dim]

Citation

@misc{internvla2024,
  title  = {InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy},
  author = {InternVLA-M1 Contributors},
  year   = {2025},
  booktitle={arXiv},
}

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
6272240

0 моделей