/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
flux-3-action-base
Опубликована
14 окт 2026

flux3-agibot-looped

Видео из изображенияИзображение, текст → видео

Дообученная FLUX 3 Action 7B предсказывает будущие кадры робототехнической сцены по изображениям с камеры робота и текстовой подписи.

232скачиваний за 30 дней1лайквеса обновлены18 окт 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

Jinyan0924 выпустил экспериментальную модификацию FLUX 3 Action 7B для предсказания видео AgiBot World. Это дообученная модель с архитектурой Looped Diffusion Transformer: 33 блока разделены на группы 12/9/12, а средняя группа выполняется четыре раза с gated attention и глубокой супервизией на каждом выходе. На вход подаются k прошлых кадров камеры, направленной на голову робота, и текстовая подпись; модель генерирует 33 будущих кадра с частотой 15 кадров/с и разрешением 384×512.

Модель предназначена для предсказания будущего видео в робототехнических сценариях AgiBot World. Веса сохранены в формате safetensors в bf16; для загрузки автор указывает пакет ldvflux. Обучение завершено на шаге 4500 после сбоев инфраструктуры, а последний указанный проверочный результат получен на шаге 4000. Лицензия обозначена как other, а тег non-commercial указывает на некоммерческие условия использования.

Сценарии применения

  • предсказание будущего видео по кадрам камеры робота
  • генерация продолжения сцены AgiBot World
  • моделирование визуальных последствий действий робота

Ограничения

Модель обучена для конкретного сценария AgiBot World и камеры, направленной на голову робота; перенос на другие камеры и воплощения не подтверждён. Обучение завершилось досрочно после сбоев инфраструктуры, а лицензия и тег модели указывают на некоммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Looped-DiT retrofit of FLUX 3 Action 7B (AgiBot World Beta video prediction)

Looped Diffusion Transformer (Chng et al., 2026, arXiv:2609.40305) retrofit of Jinyan0924/flux3-agibot-videoft (itself a full fine-tune of black-forest-labs/flux-3-action-base): the 33 joint blocks are split 12 / 9 / 12, the middle 9 are run N = 4 times with head-wise gated attention, and every exit is trained with deep supervision. Task: k past head-camera frames + caption → 33 future frames at 15 fps, 384×512.

Files

filewhat
ema_loop2500_step-2500.safetensorsr1: 2500 steps (LR 1e-5, 500-step cooldown), EMA 0.999, bf16 state dict
ema_loop4500_step-4500.safetensorsr2: resumed from r1's step-2500 state and trained to step 4500 at constant LR 1e-5 (no cooldown; the planned 5000-step run with cooldown was stopped early after repeated infrastructure crashes), EMA 0.999, bf16
checkpoints/step-4500/full r2 checkpoint (FSDP2 DCP model + optimizer shards, CPU EMA shards, rng, trainer state) for resuming
r1/checkpoints/step-2500/full r1 checkpoint
metrics.jsonl, eval/val.jsonlr2 training curve and periodic val losses (EMA weights, fixed windows / timesteps / noise)
random_depth_n1-8/side run: same retrofit trained with a random loop depth N ∈ {1..8} per step (2000 steps)

Val loss (EMA, N = 4, lower is better; k = number of context frames): r1 step 2500 k1 0.0787 / k9 0.0654; r2 step 4000 k1 0.0783 / k9 0.0651 (the step-4500 val pass was interrupted by the crash that ended the run, so the last val point is step 4000). Test-split PSNR / SSIM / LPIPS / FVD and the loop-depth sweep (N = 1, 2, 4, 8 at inference) are in agibot-flux3/results/RESULTS.md of the GitHub repo below. Training finished 2026-10-16.

Load an EMA file with the ldvflux package from the GitHub repo (ldvflux.eval_phase4 shows the full sampling path); the weights are a plain safetensors state dict of the looped DiT.

Code, configs and results: https://github.com/naomili0924/looped-dit-video/tree/main/agibot-flux3

License and use

Non-commercial use only. The weights are a Derivative of the FLUX Model and are distributed under the FLUX Kommunity License (LICENSE.md, attribution in NOTICE); the training data, AgiBot World Beta, is CC BY-NC-SA 4.0. No dataset frames or captions are included here.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
be17a41

0 моделей