Набор контрольных точек политик Play2Perfect для обучения через подкрепление и управления роботом при сборке и точных манипуляциях.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
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.
Описание составлено по карточке модели и метаданным Hugging Face
Репозиторий Kushal20/play2perfect-checkpoints содержит контрольные точки политик Play2Perfect для робототехнических задач. В него входят предварительно обученная на этапе «play» политика и политики второго этапа для точной установки L-образного штифта с зазором 0,5 мм, сборки балки в два шага и завинчивания ножки мебели. Модель принимает состояния робота и предназначена для управления действиями при выполнении этих манипуляционных задач; контрольные точки сохранены в формате PyTorch. Работа связана с публикацией arXiv:2606.26428. Лицензия репозитория — MIT.
В README перечислены контрольные точки для конкретных сценариев манипуляции, поэтому переносимость на другие задачи не подтверждена. Описание не уточняет формат входных состояний и выходных действий.
README от автора на Hugging Face, как он его опубликовал
State-based policy checkpoints for Play2Perfect (arXiv: 2606.26428).
play/model.pth — Stage-1 "play" pretrained policy.tight_insertion/model.pth — Stage-2: tight insertion (L-peg, 0.5 mm).beam_assembly_step1/model.pth — Stage-2: beam assembly step 1.beam_assembly_step2/model.pth — Stage-2: beam assembly step 2.screwing/model.pth — Stage-2: screwing (furniture leg).Download with python download_checkpoints.py from the Play2Perfect repo.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
RL-агенты не запускаются как сервис инференса.