/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
3 фев 2026

RoboInter-VLM

Языковая модельИзображение, текст → action3 профессии

Дообученная мультимодальная модель Qwen2.5-VL для визуального понимания сцен манипуляции, планирования и генерации промежуточных представлений действий робота.

82скачиваний за 30 дней6лайковвеса обновлены14 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

RoboInter-VLM — мультимодальная модель для задач роботизированных манипуляций, разработанная в рамках проекта RoboInter. Это дообученная на наборе RoboInter-VQA модель Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и примерно 7,1 млрд параметров. Модель принимает текст и изображения и формирует текстовые ответы; её контекстное окно составляет 128 000 токенов.

Модель предназначена для визуального понимания манипуляционных сцен и планирования действий робота. Она отвечает на вопросы о контактах, позах захвата, расположении объектов и траекториях, распознаёт примитивы действий и оценивает успех выполнения задачи. Также она генерирует промежуточные представления, включая точки траектории, контактные области и рамки объектов. В README модель названа флагманской и рекомендованной по умолчанию для общего применения в задачах RoboInter.

Модель распространяется в формате safetensors; в README указана точность bfloat16. Лицензия — Apache-2.0. Это специализированная модель для робототехники, поэтому её ответы и сгенерированные представления следует проверять в целевой среде перед использованием для управления роботом.

Сценарии применения

  • ответы на вопросы о позах захвата и контактах объектов
  • выбор траектории перемещения по изображению сцены
  • генерация точек траектории и контактных областей для манипуляции
  • распознавание объектов и их целевых положений
  • планирование следующего шага роботизированной задачи
  • оценка успешности выполнения манипуляции

Ограничения

Модель специализирована на визуальных задачах манипуляции RoboInter; пригодность сгенерированных представлений и планов для конкретного робота и среды требует проверки. Поддерживаемые естественные языки в материалах модели не перечислены.

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

RoboInter-VLM: Vision-Language Model for RoboInter Manipulation Suite

This is the flagship model of the RoboInter-VLM series, based on Qwen2.5-VL-7B-Instruct. It delivers the strongest performance among the Qwen2.5-VL variants and is the recommended default checkpoint for general use.

Developed as part of the RoboInter project. The model is fine-tuned on the RoboInter-VQA dataset for intermediate representation understanding and generation in robotic manipulation.

All Available Checkpoints

CheckpointBase ModelArchitectureParametersDescriptionLink
RoboInter-VLM (this repo)Qwen2.5-VL-7B-InstructQwen2.5-VL~7BFlagship model, recommended for best performancehttps://huggingface.co/InternRobotics/RoboInter-VLM
RoboInter-VLM_qwenvl25_3bQwen2.5-VL-3B-InstructQwen2.5-VL~3BLightweight model, suitable for efficient deploymenthttps://huggingface.co/InternRobotics/RoboInter-VLM_qwenvl25_3b
RoboInter-VLM_llavaov_7BLLaVA-OneVision-Qwen2-7BLLaVA-OneVision~7BLLaVA-OneVision backbone with SigLIP vision encoderhttps://huggingface.co/InternRobotics/RoboInter-VLM_llavaov_7B

All checkpoints are stored in safetensors format with bfloat16 precision.

Supported Tasks

These models are jointly trained on general VQA and three categories of our curated VQA tasks:

  • Generation: Predicting intermediate representations such as trajectory waypoints, gripper bounding boxes, contact points/boxes, object bounding boxes (current & final), etc.
  • Understanding: Multiple-choice visual reasoning about contact states, grasp poses, object grounding, trajectory selection, movement directions, etc.
  • Task Planning: High-level task planning including next-step prediction, action primitive recognition, success determination, etc.

Usage

Quick Start (This Model)

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor

model_path = "InternRobotics/RoboInter-VLM"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_path, torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_path)

For detailed usage and inference examples, please refer to the RoboInterVLM-QwenVL codebase.

LLaVA-OneVision Checkpoint

For loading and inference with the LLaVA-OneVision checkpoint, please refer to the RoboInterVLM-LLaVAOV codebase, as it requires custom model classes.

Training & Evaluation

For full training and evaluation pipelines, please refer to:

Related Resources

Citation

If you find RoboInter useful in your research, please consider citing:

@article{li2026robointer,
  title={RoboInter: A Holistic Intermediate Representation Suite Towards Robotic Manipulation},
  author={Li, Hao and Wang, Ziqin and Ding, Zi-han and Yang, Shuai and Chen, Yilun and Tian, Yang and Hu, Xiaolin and Wang, Tai and Lin, Dahua and Zhao, Feng and Liu, Si and Pang, Jiangmiao},
  journal={arXiv preprint arXiv:2602.09973},
  year={2025}
}

License

Please refer to the original licenses of RoboInter, Qwen2.5-VL, and LLaVA-OneVision.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
b9573c9

0 моделей