/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
62,1 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3_vl_moe · dense
Базовая модель
Qwen3-VL-30B-A3B-Instruct
Библиотека
transformers
Опубликована
21 июн 2026

VLAC-Cut

Изображение и текст → текст3 профессии

VLAC-Cut оценивает временной прогресс роботизированных задач по видео, инструкции и при необходимости плану выполнения.

75скачиваний за 30 дней1лайквеса обновлены16 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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-Cut — мультимодальная модель InternRobotics для оценки хода выполнения роботизированных задач по видео. Она принимает текстовую инструкцию, необязательный план задачи и выбранные кадры видео с выполнением роботом, а выдаёт оценки прогресса с временными отметками и выделяет участки продвижения или ухудшения результата. Модель учитывает нелинейную динамику: продвижение, остановку, регресс и восстановление.

Модель основана на Qwen/Qwen3-VL-30B-A3B-Instruct и использует архитектуру Qwen3-VL MoE для анализа текста и визуальных данных. Заявлены обобщение на разные манипуляционные задачи, сцены, объекты и ракурсы, а также настройка частоты выборки кадров для оценки с разной временной детализацией. Веса и файлы для загрузки размещены в репозитории Hugging Face; примеры инференса и код оценки находятся в GitHub. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

Сценарии применения

  • оценка прогресса робота при выполнении манипуляционной задачи
  • поиск моментов регресса, остановки и восстановления в роботизированном роллауте
  • сегментация видео выполнения задачи на этапы продвижения и ухудшения
  • отбор данных о выполнении роботом для постобучения
  • сравнение прогресса выполнения задачи на разных участках видео

Ограничения

Модель предназначена для анализа роботизированных роллаутов и выдаёт оценки прогресса, а не управляющие действия робота. Примеры инференса и код оценки размещены вне карточки модели; лицензия указана как other.

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-Cut: Video Progress Estimation for Process-Level Robot Rollout Segmentation

Paper · Code · Model · Benchmark

Overview

VLAC-Cut is a process-level multimodal trajectory critic for robot post-training data curation. Given a natural-language task instruction, an optional task plan, and a robot rollout video, VLAC-Cut estimates signed task progress over time and identifies temporal segments associated with task advancement or degradation.

Unlike methods that assume task progress increases monotonically over time, VLAC-Cut models non-monotonic execution dynamics, including advancement, stagnation, regression, and recovery. This formulation supports process-level analysis of partial completion, temporary failure, subsequent recovery, and rollout segmentation for post-training data selection.

This Hugging Face repository contains the VLAC-Cut model weights and loading assets. The official inference examples and evaluation code are maintained in the GitHub repository.

Highlights

  • Video-level temporal reasoning: Analyzes robot execution videos rather than isolated images or image pairs and identifies temporal segments associated with task advancement or degradation.
  • Non-monotonic progress estimation: Captures advancement, stagnation, regression, and recovery without imposing a monotonically increasing progress assumption.
  • Zero-shot generalization: Generalizes across manipulation tasks, scenes, object configurations, and camera viewpoints.
  • Flexible temporal resolution: Supports configurable video sampling frequencies for both coarse- and fine-grained progress estimation.

Model Overview

PropertyDescription
Base modelQwen/Qwen3-VL-30B-A3B-Instruct
InputTask instruction, optional task plan, and sampled video frames
OutputTimestamped task-progress estimates
Sampling rate2 Hz-20 Hz
Default sampling rate2.0 Hz

Load with Transformers

from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "InternRobotics/VLAC-Cut"

processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    dtype="auto",
    device_map="auto",
)
model.eval()

Quick Start

Run progress inference on a local video using the GitHub code:

git clone https://github.com/InternRobotics/VLAC-cut
cd VLAC-cut

python scripts/run_example.py \
  --model-path InternRobotics/VLAC-Cut \
  --video-path <path-to-video.mp4> \
  --task-instruction "<natural-language task instruction>" \
  --task-plan $'<optional step-by-step task plan>' \
  --output-jsonl <path-to-output.jsonl>

Render a prediction JSONL file as an annotated video:

python scripts/utils/render_prediction_video.py \
  --input-jsonl <path-to-output.jsonl> \
  --output-video <path-to-preview.mp4>

Citation

Please cite the following paper when using VLAC-Cut, the released model, or the Video Progress Benchmark:

@misc{zhai2026helphumanefficientlargescalerobot,
      title={HELP: Human-Efficient Large-Scale Robot Post-Training with Rollout Segmentation}, 
      author={Shaopeng Zhai and Qi Zhang and Tianyi Zhang and Haoran Zhang and Fuxian Huang and Zhanhui Lin and Zijun Xu and Weinan Zhang},
      year={2026},
      eprint={2607.09776},
      archivePrefix={arXiv},
      primaryClass={cs.RO},
      url={https://arxiv.org/abs/2607.09776}, 
}

License

The model weights and third-party training data may be subject to additional licenses or terms of use. The source code in the GitHub repository is released under the MIT License.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLMoeForConditionalGeneration
Ревизия весов
2a809cb

0 моделей