/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
CC BY-NC-SA 4.0
Архитектура
internvl_chat · dense
Библиотека
transformers
Опубликована
15 сен 2025

VLAC

Генерация текстаТекст → текст3 профессии

VLAC — мультимодальный критик и модель управления манипуляциями, оценивающая прогресс и завершение роботизированных задач по изображениям и их описаниям.

82скачиваний за 30 дней44лайкавеса обновлены13 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

VLAC — мультимодальная модель InternRobotics для оценки прогресса и проверки завершения задач манипуляции роботом по изображениям и описанию задачи. Карточка описывает VLAC-2B как парный критик и модель манипуляции для обучения роботов с подкреплением в реальных условиях и подготовки данных; архитектура — InternVLChatModel, файлы представлены в формате safetensors. В обучении использованы более 3000 часов эгоцентрических данных людей, более 1200 часов открытых данных роботизированных манипуляций и более 15 часов собственных данных.

Модель поддерживает отслеживание выполнения, оценку завершения задачи, оценивание описания задачи, визуальные вопросы и ответы, а также выдачу воплощённых действий. Заявлены режимы zero-shot и one-shot, перенос между объектами, сценами и задачами, а также фильтрация низкокачественных траекторий для обучения имитации. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения на тех же условиях и некоммерческого применения. В карточке также упомянута VLAC-8B, но приведённая модель обозначена как VLAC-2B.

Сценарии применения

  • оценка прогресса выполнения задачи манипуляционным роботом
  • проверка завершения роботизированной задачи по изображению
  • оценивание качества траекторий для фильтрации обучающих данных
  • ответы на визуальные вопросы о ходе манипуляции
  • оценка соответствия действий робота текстовому описанию задачи

Ограничения

Карточка не приводит количественных метрик качества или подробностей об аппаратных требованиях. Лицензия ограничивает использование некоммерческими целями.

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

VLAC: A Vision-Language-Action-Critic Model for Robotic Real-World Reinforcement Learning

[ICML2026] [paper] [code] [model] [model-8b]

🚀 Interactive Demo & Homepage

Try Interactive & Homepage

Online Demo is available now in Homepage, Try as you like!!!

VLAC-8B is available now:

[model-8b]

VLAC-2B

VLAC is a general-purpose pair-wise critic and manipulation model which designed for real world robot reinforcement learning and data refinement.

It provides robust evaluation capabilities for task progress prediction and task completion verification base one images and task description.

VLAC trained on 3000h+ human egocentric data, 1200h+ comprehensive public robotic manipulation data, and 15h+ self-collected manipulation data.

VLAC-8B is coming soon! Now the 8B model can be used on Homepage.

✨ Key Features

• Pair-wise comparison mechanism for improved progressing dense critic accuracy, better recognition of state changes, and each step can be the start of the trajectory.

• Multi-modal capabilities - Supports process tracking, task completion judgment, task description estimation, visual question answering, and even embodied action output, equipped with VLA capabilities.

• Flexible zero-shot and one-shot - in-context capabilities, maintaining excellent performance across entities, scenarios, and tasks.

• Human-task synesthesia - Based on the ego4D human dataset, model understands common tasks and build synesthesia for real-world human tasks and embodied tasks.

• Trajectory quality screening - VLAC can evaluate the collected trajectories and filters out low score trajectories based on the VOC value and mask the action with negative pair-wise score, that is, data with low fluency and quality, improving the effect and efficiency of imitation learning.

Framework & Performance

Details about the model's performance and evaluation metrics can be found in the Homepage.

🛠️ Installation

To install from source:

git clone https://github.com/InternRobotics/VLAC.git
cd VLAC
pip install -e .

Running Environment:

RangeRecommendedNotes
python>=3.93.10
cudacuda12No need to install if using CPU, NPU, MPS
torch>=2.0
transformers>=4.514.51.3
peft>=0.15.2
ms-swift3.3

🚀 Quick Start

from evo_vlac import GAC_model
from evo_vlac.utils.video_tool import compress_video
import os
#Consistent with the web interface, the value and citic rewards of video input can be evaluated.


#assign local model path
model_path="set to your local model path"
#download model form https://huggingface.co/InternRobotics/VLAC

#assign video path and task description
test_video='evo_vlac/examples/videos/pick-bowl-test.mp4'
ref_video='evo_vlac/examples/videos/pick-bowl-ref.mov'
task_description='Put up the bowl and place it back in the white storage box.'

#init model
Critic=GAC_model(tag='critic')
Critic.init_model(model_path=model_path,model_type='internvl2',device_map=f'cuda:0')
Critic.temperature=0.5
Critic.top_k=1
Critic.set_config()
Critic.set_system_prompt()

# transform video
test_video_compressed = os.path.join(os.path.dirname(test_video),"test.mp4")
_,output_fps=compress_video(test_video, test_video_compressed,fps=5)
reference_video_compressed = None
if ref_video:
    reference_video_compressed = os.path.join(os.path.dirname(ref_video),"ref.mp4")
    compress_video(ref_video, reference_video_compressed,fps=5)


# generate Critic results
result_path,value_list,critic_list,done_list = Critic.web_trajectory_critic(
    task_description=task_description,
    main_video_path=test_video_compressed,
    reference_video_path=reference_video_compressed,#if None means no reference video, only use task_description to indicate the task
    batch_num=10,#batch number
    ref_num=6,#image number used in reference video
    think=False,# whether to CoT
    skip=5,#pair-wise step
    rich=False,#whether to output decimal value
    reverse_eval=False,#whether to reverse the evaluation(for VROC evaluation)
    output_path="results",
    fps=float(output_fps),
    frame_skip=True,#whether to skip frames(if false, each frame while be evaluated, cost more time)
    done_flag=False,#whether to out put done value
    in_context_done=False,#whether use reference video to generate done value
    done_threshold=0.9,#done threshold
    video_output=True#whether to output video
)


print("=" * 100)
print(">>>>>>>>>Critic results<<<<<<<<<<")
print(" ")

print(f"result path: {result_path}")
print(f"task description: {task_description}")
print("=" * 50)

print("value_list:")
print(value_list)
print("=" * 50)

print("critic_list:")
print(critic_list)
print("=" * 50)

print("done_list:")
print(done_list)
print("=" * 100)

More examples of

• pair-wise image inputs critic. Please check this example

• vla action generation. Please check this example

• data refinement. Please check this example

For training code, please refer to InternVL2.

🔗 Citation

If you find our work helpful, please cite:

@inproceedings{zhanggeneralist,
  title={A Generalist Pair-wise Progress Critic Model for Vision-Language-Action Robots},
  author={Zhang, Qi and Zhai, Shaopeng and Zhang, Shengzhe and Liu, Litao and Zhang, Tianyi and Huang, Fuxian and Zhou, Ming},
  booktitle={Forty-third International Conference on Machine Learning}
}
@article{zhai2025vision,
  title={A vision-language-action-critic model for robotic real-world reinforcement learning},
  author={Zhai, Shaopeng and Zhang, Qi and Zhang, Tianyi and Huang, Fuxian and Zhang, Haoran and Zhou, Ming and Zhang, Shengzhe and Liu, Litao and Lin, Sixu and Pang, Jiangmiao},
  journal={arXiv preprint arXiv:2509.15937},
  year={2025}
}

🙏 Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
InternVLChatModel
Ревизия весов
f44e552

0 моделей