/ Модель

Характеристики

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

RoboInter-VLM_qwenvl25_3b

Языковая модельИзображение, текст → action3 профессии

Дообученная на RoboInter-VQA мультимодальная модель для визуального анализа манипуляций, предсказания промежуточных представлений и планирования шагов робота.

73скачиваний 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_qwenvl25_3b — мультимодальная модель InternRobotics для анализа сцен роботизированного манипулирования и генерации промежуточных представлений. Она дообучена на наборе RoboInter-VQA на базе Qwen2.5-VL-3B-Instruct и содержит около 3,1 млрд параметров.

Модель принимает изображения и текстовые запросы, а ответы формирует на естественном языке или в виде структурированных представлений: например, координат точек траектории, рамок захвата и объектов. Она предназначена для визуальных вопросов о контакте и позах захвата, выбора траектории, распознавания примитивов действий, оценки успешности и планирования следующего шага манипуляции. Заявленный контекст базовой модели — 128 000 токенов.

Чекпойнт распространяется в формате safetensors; для загрузки README указывает Transformers. Лицензия — Apache-2.0. Качество зависит от соответствия сцены и задачам обучения RoboInter-VQA; модель не следует считать универсальным контроллером робота: README описывает предсказание представлений и планирование, но не подтверждает непосредственное исполнение действий.

Сценарии применения

  • предсказание точек траектории манипулятора по изображению
  • определение рамок объектов, захвата и контакта
  • ответы на вопросы о позе захвата и состоянии контакта
  • выбор траектории и направления движения объекта
  • распознавание примитива действия и оценка успешности манипуляции
  • предсказание следующего шага плана робота

Ограничения

Модель обучена на RoboInter-VQA и ориентирована на визуальные задачи манипулирования; качество на иных роботах, сценах и задачах не установлено. README описывает предсказание промежуточных представлений и планирование, но не подтверждает непосредственное управление роботом.

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_qwenvl25_3b: Vision-Language Model Checkpoints for RoboInter Manipulation Suite

Model checkpoints of RoboInter-VLM_qwenvl25_3b, developed as part of the RoboInter project. The models are fine-tuned on the RoboInter-VQA dataset for intermediate representation understanding and generation in robotic manipulation.

Other Available Checkpoints

CheckpointBase ModelArchitectureParametersDescriptionLink
RoboInter-VLM_qwenvl25_3bQwen2.5-VL-3B-InstructQwen2.5-VL~3BLightweight Qwen2.5VL model, suitable for efficient deploymenthttps://huggingface.co/InternRobotics/RoboInter-VLM_qwenvl25_3b
RoboInter-VLM_qwenvl25_7bQwen2.5-VL-7B-InstructQwen2.5-VL~7BLarger Qwen2.5-VL backbone for stronger performancehttps://huggingface.co/InternRobotics/RoboInter-VLM
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

Qwen2.5-VL Checkpoints

For loading and inference with the Qwen2.5-VL checkpoint, please refer to the RoboInterVLM-QwenVL codebase. We provide a fast loading example below:

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor

model_path = "InternRobotics/RoboInter-VLM_qwenvl25_3b"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    model_path, torch_dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained(model_path)

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
fc758e0

0 моделей