/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
28 авг 2026

LightNav-0

Языковая модельИзображение, текст → action3 профессии

LightNav-0 — дообученная мультимодальная модель, которая помогает роботам следовать языковым инструкциям, находить объекты и строить траектории по видео от первого лица.

810скачиваний за 30 дней31лайквеса обновлены3 сен 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

LightNav-0 — компактная модель для embodied-навигации, разработанная LightOriginsHQ на основе дообучения Qwen3-VL-4B-Instruct. Она объединяет следование инструкциям, поиск объектов по текстовому описанию и визуальное отслеживание в одном интерфейсе без специализированных предсказательных голов. На вход подаются история кадров с камеры от первого лица, сжатая методом SlowFast, и инструкция на естественном языке; кадры имеют размер 256×448 и частоту 4 кадра в секунду.

Модель использует мультимодальную архитектуру Qwen3-VL с 4 млрд параметров и весами bf16. Она выдаёт токены двухканального указания пространственного намерения, затем токены RVQ, которые декодируются в пакет из 10 локальных путевых точек робота: движение вперёд, боковое смещение и угол поворота. Для инференса нужны связанные кодовые книги и параметры обработки; автор предоставляет рецепты оценки и развёртывания в отдельном репозитории.

Модель предназначена для навигации роботов в симуляторах и реальной среде. Лицензия — Apache-2.0. Карточка описывает задачи и входы модели, но не сообщает результаты сравнительных оценок качества.

Сценарии применения

  • навигация робота по текстовой инструкции
  • поиск указанного объекта в незнакомой сцене
  • визуальное отслеживание объектов во время движения
  • генерация последовательности путевых точек для робота
  • оценка навигации в Habitat VLN-CE, ObjectNav и EVT-Bench

Ограничения

Для декодирования траекторий требуются сопутствующие кодовые книги и параметры обработки, согласованные с обучением. В карточке не приведены количественные результаты оценки качества.

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

LightNav-0

LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation

LightNav-0 is a compact generalist embodied navigation model that elicits the spatial intelligence of a pretrained vision-language model (Qwen3-VL) and aligns it with navigation, without task-specific prediction heads. Diverse tasks share one token interface: dual-channel pointing expresses task-, scene- and embodiment-agnostic spatial intent, and a residual vector-quantized (RVQ) action tokenizer maps that intent to precise, embodiment-specific trajectories — so instruction following, open-vocabulary object navigation and visual tracking live in a single model.

Inference, serving and evaluation code: LightNav-0 repository.

Files

PathContent
config.json, model-*.safetensors, model.safetensors.index.jsonQwen3-VL weights (bf16) with the navigation token embeddings
tokenizer.json, tokenizer_config.json, chat_template.jinja, processor_config.jsontokenizer / processor
eval_config.jsonprocessing parameters that must match training (video size, pooling, SlowFast history tiers, task settings); read automatically by the inference code
action_tokenizer/RVQ action-tokenizer bundle shared by navigation and tracking (one 3 × 256 residual codebook, horizon 10)

The bundle holds manifest.json, the per-level codebooks (codebook_l{0,1,2}.npy, 3 × 256 codes), jacobian_weights.npy and alpha_per_source.json. The model emits one <act_l{level}_{code}> token per level; the bundle decodes them into a (10, 3) chunk of robot-local waypoints [forward_m, lateral_m (+left), yaw_rad (+ccw)]. eval_config.json references the bundle by a path relative to this directory, so the inference code finds them without extra flags.

Usage

pip install "lightnav[vllm,video] @ git+https://github.com/lightrobo/LightNav-0"
hf download LightOriginsHQ/LightNav-0 --local-dir ./LightNav-0-ckpt

# offline prediction on a clip
lightnav-predict --model_path ./LightNav-0-ckpt --backend vllm_local \
    --video clip.mp4 --fps 4 --instruction "follow the person in the red shirt"

# serve (tracking prompt) and drive with the reference client
lightnav-serve --task tracking --model_path ./LightNav-0-ckpt --backend vllm_local --port 8050
lightnav-ws-client --server ws://localhost:8050 --video clip.mp4 --fps 4 \
    --instruction "follow the person in the red shirt"

# navigation prompt (instruction following / object navigation)
lightnav-serve --task vln --model_path ./LightNav-0-ckpt --backend vllm_local --port 8051

Habitat VLN-CE / ObjectNav and EVT-Bench evaluation recipes, the WebSocket protocol and the real-robot deployment guide are in the code repository's docs/.

Model details

  • Backbone: Qwen3-VL (4B), bf16; the trajectory / pointing tokens are ordinary rows of the embedding table, so the checkpoint loads with stock transformers.
  • Input: a SlowFast-compressed history of first-person RGB frames (model input 256×448, 4 fps) plus a natural-language instruction.
  • Output: dual-channel pointing tokens (<apos_*> / <opos_*>) followed by three RVQ action tokens (<act_l0_*><act_l1_*><act_l2_*>) decoded to a 10-step waypoint chunk.

Community

Questions, deployment notes and release news — join us on Discord, or scan to join the WeChat group:

License

Apache License 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели для роботов не запускаются как сервис инференса.

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
826dc5f

0 моделей