/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-VL-4B-Instruct-Action
Опубликована
22 июл 2026

VLAct-Qwen3vl4b-OFT-RoboDojo

Языковая модельИзображение, текст → action

Дообученная на RoboDojo визуально-языковая политика StarVLA для управления двуручным роботом ARX X5 в робототехнических задачах.

13скачиваний за 30 дней0лайковвеса обновлены22 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

VLAct QwenOFT Qwen3-VL-4B for RoboDojo — дообученная StarVLA модель управления роботом, разработанная на базе StarVLA/Qwen3-VL-4B-Instruct-Action. Полный чекпойнт прошёл 100 000 шагов обучения на смеси из 35 задач RoboDojo LeRobot v2.1; это не LoRA и не адаптер. Модель объединяет визуально-языковой backbone Qwen3-VL с политикой действий для робототехники.

Модель предназначена для исследования управления двуручным роботом ARX X5 в задачах RoboDojo: она принимает изображения с трёх камер, состояние робота и описание задачи, а затем выдаёт последовательности действий. В описанной локальной оценке на 42 задачах средний процент успеха составил 8,17%; протокол использовал 30 эпизодов на задачу и не является официальной подачей в таблицу лидеров.

Для работы требуется совместимая инфраструктура StarVLA и соответствующие конфигурация и статистика набора данных. Переносимость на другие калибровки камер, схемы состояния и действий, нормализацию, роботов или реальное оборудование не установлена. Лицензия Apache-2.0.

Сценарии применения

  • управление ARX X5 в задачах RoboDojo
  • выполнение манипуляций двумя руками по текстовой инструкции
  • генерация последовательностей робототехнических действий по изображению с камер
  • исследование переноса визуально-языковых политик на задачи RoboDojo

Ограничения

В локальной оценке на 42 задачах средний успех составил 8,17%; результаты не являются официальной оценкой по полному протоколу. Производительность на других калибровках камер, схемах состояния и действий, нормализации, роботах и реальном оборудовании не установлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VLAct QwenOFT Qwen3-VL-4B for RoboDojo (100K Fine-tuned)

This repository contains a RoboDojo-fine-tuned StarVLA QwenOFT policy. It was fine-tuned for 100,000 steps on the 35-task RoboDojo LeRobot v2.1 mixture using 2 nodes x 8 GPUs. The uploaded checkpoint is the exact steps_100000_pytorch_model.pt used for the evaluation reported below. It is a complete framework state dict, not a LoRA or adapter-only release.

Initialization

VLAct pretrained describes only the initialization source. RoboDojo fine-tuning started from the 100K-step 0706 multi-embodiment, three-head VLAct pretraining run. The checkpoint released here is the resulting RoboDojo fine-tune; it is not the raw VLAct pretraining checkpoint.

Model details

ItemValue
FrameworkStarVLA QwenOFT
VLM backboneStarVLA/Qwen3-VL-4B-Instruct-Action
Source initializer0706_agilex_franka_5data_manualvel_balance33_66_50_vlm3_qwen3OFT_GR00T_PI_xrobot_3head_agilex_franka, step 100K
Initialization settingreload_modules: qwen_vl_interface; training starts from step 0 (is_resume: false)
Fine-tuning datasetrobodojo_v21_all_h50_q99, 35 training tasks
ObservationThree RGB cameras at 224 x 224 plus 14D proprioceptive state
Action14D absolute joint position (abs_qpos)
Action horizon50
Action modelQwenOFT diffusion model, 16 layers
Repeated diffusion steps8
Inference diffusion steps4
Evaluation execution horizon16
Fine-tuning checkpoint100,000 steps
Fine-tuning hardware2 nodes x 8 GPUs
Batch size16 per GPU, global batch 256

The original run used the action-extended Qwen3-VL snapshot at revision 8c99a9a3db659019e6e785add928fcea8e14a18a. The packaged config.yaml uses the public Hub model ID so that the framework can reconstruct the model. training_config.original.yaml preserves the exact training configuration and local provenance paths used by the run.

Training details

SettingValue
Training seed42
Frozen modulesNone
VLA / VLM loss scale1.0 / 0.0
Gradient accumulation1
Gradient checkpointingEnabled
OptimizerAdamW, betas (0.9, 0.95), epsilon 1e-8
VLM learning rate1e-5
Qwen-VL interface learning rate1e-5
Action-model learning rate1e-4
ScheduleCosine, 5,000 warmup steps, minimum LR 5e-7

RoboDojo results

Values are shown as success rate (SR, %) and score; higher is better. Group values are unweighted means over their tasks, and Average is the unweighted mean over all 42 tasks.

Evaluation groupSR (%)Score
Average8.1711.28
Generalization4.728.18
Precision18.3323.44
Long-Horizon15.4221.29
Memory0.560.67
Open1.671.71

Evaluation protocol

  • 42 tasks, seeds 0/1/2, 10 episodes per task and seed: 1,260 episodes total.
  • Each task therefore has 30 evaluated episodes.
  • Each Generalization task uses 5 standard and 5 randomized episodes per seed, preserving the official standard/random split at one-fifth scale.
  • All other tasks use 10 episodes per seed.
  • Evaluation uses state (include_state=true), arx_x5 normalization, three camera inputs, and executes 16 actions before requesting the next chunk.
  • Task SR is successful episodes divided by 30. Task score is the mean episode score multiplied by 100.

This is a scaled local reproduction protocol. It is not the official 50-episode-per-task / 2,100-episode protocol, and the values should not be presented as a verified official leaderboard submission.

Per-task results

Group / taskSR (%)Score
Generalization4.728.18
stack_bowls26.6731.67
push_T0.000.00
pack_objects_into_box0.005.33
fold_clothes0.004.67
hang_mugs3.337.83
sweep_blocks0.000.00
pour_liquid_into_cup6.676.67
make_toast0.005.83
arrange_largest_number0.002.17
sort_nesting_dolls_by_size3.333.33
store_laptop_and_headphones3.3311.33
stack_blocks13.3319.33
Precision18.3323.44
fasten_screws0.005.67
plug_in_charger10.0010.00
insert_tubes56.6766.00
pour_balls_into_vase16.6716.67
play_Xylophone0.000.00
deposit_coin10.0014.67
insert_key0.0014.50
build_tower53.3360.00
Long-Horizon15.4221.29
put_bottles_into_dustbin63.3371.33
fill_pen_holder0.0012.00
classify_objects0.004.83
play_tic_tac_toe0.004.33
fill_egg_holder0.002.00
organize_table3.3319.17
make_kong56.6756.67
play_stacking_toy0.000.00
Memory0.560.67
cover_blocks0.000.00
match_and_pick_from_conveyor3.333.33
swap_blocks0.000.00
swap_T0.000.00
press_by_number0.000.00
imitate_sorting_sequence0.000.67
Open1.671.71
align_blocks0.000.00
general_pickup13.3313.33
stack_blocks_by_language0.000.00
solve_equation0.000.00
classify_objects_by_language0.000.33
pick_from_conveyor_by_image0.000.00
store_tools_in_toolbox0.000.00
pour_by_language0.000.00

Machine-readable values and protocol metadata are in evaluation_results.json.

Files

README.md
config.yaml
dataset_statistics.json
evaluation_results.json
summary.jsonl
training_config.original.yaml
checkpoints/
└── steps_100000_pytorch_model.pt

config.yaml and dataset_statistics.json must remain two directory levels above the checkpoint file; StarVLA resolves both relative to the checkpoint.

Inference

Download the repository, then start the StarVLA model server:

huggingface-cli download JasonYang66/VLAct-Qwen3vl4b-OFT-RoboDojo \
  --local-dir VLAct-Qwen3vl4b-OFT-RoboDojo

CKPT=VLAct-Qwen3vl4b-OFT-RoboDojo/checkpoints/steps_100000_pytorch_model.pt
python deployment/model_server/server_policy.py \
  --ckpt_path "$CKPT" \
  --port 57700 \
  --use_bf16

RoboDojo evaluation must match the training-time input contract:

export STARVLA_CKPT_PATH="$CKPT"
export STARVLA_INCLUDE_STATE=True
export STARVLA_UNNORM_KEY=arx_x5
export STARVLA_EXECUTE_HORIZON=16

Changing state usage, camera ordering, normalization statistics, action order, or execution horizon can materially change the result.

Intended use

This checkpoint is intended for research on RoboDojo with the ARX X5 dual-arm embodiment. Performance under different camera calibration, state/action ordering, normalization, robot embodiments, or real hardware has not been established.

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
c89cda0

0 моделей